爱丽丝梦游奇境记,色欲av人妻精品一区二区老人,国产嫖妓风韵犹存对白

npj Comput. Mater.: 機器學習加速發現具有超低晶格熱導率的四元硫屬化物

具有本征低晶格熱導率的新型化合物在基礎研究中受到高度追捧，這將有助于設計和發現適用于設備應用的高效材料。高通量（HT）DFT 計算等現代計算方法加速了新化合物的發現，但該方法可能會錯過許多迄今未知的穩定化合物。

為此，美國西北大學Chris Wolverton, Cheol Woo Park及Koushik Pal等人設計了一種基于晶體圖卷積神經網絡（CGCNN）的先進機器學習（ML）模型，用來發現新的四元硫屬化物AMM’Q₃（A/M/M ‘=堿金屬、堿土金屬、后過渡金屬、鑭系元素，Q=硫屬元素）。該模型對輸入晶體結構的體積（即尺度）不敏感，從而使模型能夠在不知道其DFT弛豫體積的情況下更準確地預測假設化合物的性質。

結果表明，材料發現的總體成功率相當高（~11%），作者總共發現了461種可能合成的新型四元硫屬化物（包括99 種熱力學穩定和362種低能亞穩定化合物）并對4199種獨特的AMM’Q₃組合物進行DFT計算驗證。作者隨機選擇了14種DFT穩定的半導體和非磁性化合物研究熱傳輸特性，計算表明這些化合物都表現出超低的晶格熱導率。

圖1. 多目標ML框架的圖示

通過分析其中一種化合物KLiZrSe₃的諧波和非諧波晶格動力學特性，作者發現該化合物家族中的超低晶格熱導率源于

（a）產生低聲速的軟聲學聲子分支，

（b）出現在低頻的聲子分支之間的強雜化，

（c）在格林乃森參數的高值中可見的較大聲子非諧性。

此外，低能量幾乎無色散的光學聲子分支的存在也造成載熱聲子壽命縮短，進而導致非常低的晶格熱導率。這項工作能夠鼓勵基于圖神經網絡的ML模型的應用和開發，以有效地發現新材料。雖然這項研究繞過了輸入晶體結構的DFT弛豫體積信息，但必須設計一個可解釋弛豫期間晶體結構在應力和離子位置的ML模型。

總之，這項研究證明了尺度不變ML模型在預測新化合物方面的高效性，并為這些新化合物提供了實驗研究機會。

圖2. 預測的穩定化合物的熱傳輸特性

Scale-invariant machine-learning model accelerates the discovery of quaternary chalcogenides with ultralow lattice thermal conductivity, npj Computational Materials 2022. DOI: 10.1038/s41524-022-00732-8

原創文章，作者：v-suan，如若轉載，請注明來源華算科技，注明出處：http://m.zzhhcy.com/index.php/2023/10/14/c8c4622a4f/

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

npj Comput. Mater.: 機器學習加速發現具有超低晶格熱導率的四元硫屬化物

相關推薦