社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

JAP | 清华大学曹炳阳团队:氮化铝热物性高精度快速模拟的机器学习势

今日新材料 • 9 月前 • 291 次点击  


纤锌矿氮化铝(w-AlN)是一种具有优异特性的超宽禁带半导体材料,已广泛用于制造功率器件、射频器件及光电子器件等。正因如此,w-AlN的热物性,特别是在实际应用中受残余应变影响的w-AlN热物性,会显著影响相关器件的性能、效率和可靠性。为了高效、准确地模拟w-AlN热物性,并揭示应变的影响机制,本研究基于原子团簇展开(atomic cluster expansion,ACE)理论框架,训练了一种机器学习原子间势函数。该势函数能够准确描述材料的势能面,从而在预测能量和原子受力上均达到了量子力学精度(如图1所示)。



图1. 本研究所训练ACE势的精度:(a)能量预测精度,(b)原子受力预测精度


针对w-AlN的各类物理性质,如基态晶格常数、定容比热容、热膨胀系数、体模量和声子色散关系,该ACE势的预测值均与第一性原理计算结果相符。并且,不同温度下该ACE势所预测的w-AlN热导率与第一性原理计算结果以及实验测量结果也高度吻合(如图2所示),彰显了该ACE势在充分描述声子间简谐及非简谐相互作用方面的整体能力。



图2. ACE势预测的w-AlN热导率:(a)不同温度下的热导率预测结果,(b)频谱累计热导率预测结果


晶格应变是影响异质外延器件电热设计的重要因素。利用所训练的ACE势,本研究继续开展了晶格动力学模拟,以揭示双轴应变对w-AlN热导率的影响。计算结果表明,当双轴拉伸(压缩)应变为4%时,w-AlN的热导率约降低40%(增加30%),并且晶格应变和温度对热导率的影响近似相互独立。对不同应变下声子图像的分析表明,单模声子比热、声子群速度、声子弛豫时间,以及声子非谐性的一致变化是导致热导率变化的主要原因,而所有这些因素均源于声子色散关系在双轴应变下所产生的变化。因此,通过声子应变工程调控电子器件的近结热输运过程是可行的,这有助于新型电子器件的开发与优化设计。



图3. 双轴应变对w-AlN热导率的影响:不同温度下双轴应变对(a)面内和法向热导率,以及(b)相对热导率(应变热导率除以同温度的无应变热导率)的影响


团队介绍


杨光(共同第一作者):清华大学航天航空学院博士研究生,主要研究方向为半导体异质结的导热性质及其调控、电子器件的近结热设计等。发表SCI论文6篇,申请国家发明专利3项。曾获中国热物性学术会议“煜志”极端条件热物性测量研究奖、清华大学学生实验室建设贡献一等奖等。


刘源斌(共同第一作者):英国牛津大学化学系博士后研究员,博士毕业于清华大学航天航空学院。主要研究兴趣在于将机器学习应用于材料的多尺度模拟,特别是用于复杂材料的建模及其导热机理研究,也致力于新能源材料的开发。曾获清华大学优秀博士学位论文奖、中国工程热物理学会传热传质分会“王补宣-过增元青年优秀论文一等奖”等荣誉。


曹炳阳(通讯作者):清华大学航天航空学院教授,院长,国家杰青 ,亚洲热科学联合会、国际先进材料学会和美国工程科学学会Fellow。曾获得中国工程热物理学会吴仲华优秀青年学者奖、教育部自然科学一等奖、国际先进材料学会IAAM Medal、爱思唯尔高被引学者奖、华为公司星辰奖等荣誉。担任国际传热大会常务理事会理事、国际传热传质中心科学理事会理事、亚洲热科学与工程联合会秘书长、中国航空教育学会常务理事、中国复合材料学会导热复合材料专业委员会副主任、中国工程热物理学会理事等学术职务。主要研究领域为微纳尺度传热、热功能材料及电子系统热管理,著有专著《纳米结构的非傅里叶导热》,迄今在Advanced Materials、Physical Review Letters、International Journal of Heat and Mass Transfer等期刊发表SCI学术论文200余篇,担任ES Energy & Environment主编,International Journal of Thermal Sciences副主编和10多个国际期刊编委。


文章信息


Machine-learned atomic cluster expansion potentials for fast and quantum-accurate thermal simulations of wurtzite AlN

Guang Yang†, Yuan-Bin Liu†, Lei Yang, and Bing-Yang Cao*

J. Appl. Phys. 135, 085105 (2024)

https://doi.org/10.1063/5.0188905

扫描二维码 查看原文


 来源:AIPP学术

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/172016
 
291 次点击