基于机器学习驱动模拟的玻璃热输运

获取玻璃的热输运性质是玻璃工业生产策略设计以及玻璃所应用的众多器件和场景中的一大关键问题。从计算角度来看，玻璃的化学和形态复杂性要求进行原子级模拟，其中原子间势能必须能够捕捉通常表征玻璃相的各种局部环境、成分和（无）序性。机器学习势（MLPs）正成为计算成本高昂的第一性原理模拟的有效替代方案，后者不可避免地在极小样本上运行，无法解释不同尺度上的无序性；MLPs 也是经验力场的有效替代方案，经验力场速度快但通常仅在热力学和成分相图的狭窄区域内可靠。在本文中，我们通过回顾最近的理论和计算工具，以及对纯玻璃态二氧化硅和玻璃态硅以及锂插层样品的一系列数值应用，论述了使用 MLPs 计算玻璃热导率的方法。