热输运计算与机器学习耦合设计热功能材料

Posted · Add Comment

本文报道的研究采用了材料信息学(MI)方法(即结合了材料性能计算/测量和信息学算法)实现了热功能材料纳米结构的特性的计算优化,这是基于物理直觉和模型的经验方法难以获得的。此研究以一个超晶格结构的优化问题为例,介绍将热输运计算和机器学习相结合的 MI 的基础知识和技术程序,总结了描述符、目标函数、特性计算工具、机器学习(Bayesian optimization)算法和优化效率的细节,并成功地应用于热电材料和热辐射材料的设计。

在过去的几十年里,各种热输运的计算和实验技术在纳米尺度上得到了发展。一般来说,这类知识都是基于四个维度(时间和空间的三个维度)的热传输物理模型,也是人类更容易理解的。然而,在识别复杂的结构-性能关系时,尺寸可能成为制约因素。另一方面,使用黑箱模型的机器学习在处理大量维度的超空间方面有优势,并且在预测复杂的结构-属性关系方面可能更为优越,唯一的不足可能是它可能无法直接帮助人类理解基本物理问题。随着机器学习和数据挖掘方法的进步,研究人员现在能够从计算或实验数据中构建一个黑盒模型,识别或预测显示出所需特性的纳米结构或材料。因此,它为发现、设计甚至理解新材料提供了巨大的机会。

这种 MI 方法有四个基本要素:目标函数、描述符选择、评估目标函数的性质计算工具和信息学优化方法。文章通过设计超晶格基本结构框架对结构进行了数字化得到了多种结构描述符,采用 QuantumATK 中包含的格林函数方法和 Tersoff 经验力场方法结合计算的体系的导热系数作为优化目标函数,并据此设计了 Bayesian optimization 的流程。作者在文中比较了不同优化方法和不同的结构描述符的优劣,并进一步将导热的优化流程延伸应用于优化石墨烯纳米带的热电品质因数(热电优值)。

 

热性质优化BO流程设计。

 

不同优化方法的比较(Bayesian Optimization、Monte Carlo tree search 和 random)。

 

将BO优化方法应用于纳米带热电性质的优化。

原文链接

  • J. Appl. Phys. 128, 161102 (2020),https://aip.scitation.org/doi/full/10.1063/5.0017042。