通过机器学习发现：在Si-Ge超晶格中，极端相干的热传输现象受到基元级有序结构的调控

《npj Computational Materials》：Machine-learning discovery of extreme coherent thermal transport governed by motif-level order in Si-Ge superlattices

　　

摘要

控制多层纳米结构中的声子介导的热传输对于热管理和能量转换技术至关重要。然而，由于界面排列的组合复杂性以及传输模拟的高计算成本，识别具有极端晶格热导率（κ_l）的架构仍然具有挑战性。在超晶格中，热传输受到相互竞争的波效应的影响：相干声子传播会增强热传输，而界面散射和局域化则会抑制热传输。我们采用迭代机器学习引导的非平衡格林函数（NEGF）方法研究了Si-Ge超晶格，其中在NEGF数据上训练的卷积神经网络能够高效地探索实验限制下的设计空间，从而识别出低和高的κ_l极限。密集的界面聚类会导致累积的弹性散射，使κ_l降低多达35%；而稀疏的、局部有序的界面结构则能够保留扩展的声子模式，使κ_l比周期性结构提高多达33%。这些结果是在200 K的温度下获得的，在该温度下声子传输主要以相干和弹性方式进行；因此，所识别的结构趋势代表了相干传输的情况。我们的研究表明，在多层系统中，极端热传输是由局部界面结构的有序性而非全局周期性决定的。