método

predicción de conductividad térmica

Métodos para predecir o descubrir materiales con propiedades específicas de conducción de calor.
15 artículos relacionados · 3 fórmulas

Descripción

La predicción de la conductividad térmica se refiere a métodos computacionales y de aprendizaje automático para estimar o descubrir materiales con propiedades deseadas de transporte de calor, como conductividad térmica ultrabaja o ultraalta. Esto es crucial para aplicaciones como la conversión de energía termoeléctrica, los recubrimientos de barrera térmica y la gestión del calor en electrónica. El desafío radica en que la conductividad térmica depende de interacciones complejas a escala atómica — dispersión de fonones, estructura cristalina, defectos y composición — lo que dificulta su predicción mediante reglas simples.

Historia

El campo surgió de correlaciones empíricas tempranas en el siglo XX, pero la era moderna comenzó en la década de 2000 con el cribado computacional de alto rendimiento. El uso del aprendizaje profundo para la conductividad térmica, ejemplificado por modelos como KappaFormer, es un desarrollo de la década de 2020, impulsado por la disponibilidad de grandes bases de datos de materiales y los avances en redes neuronales de grafos.

Cómo funciona

Los enfoques modernos combinan cálculos de primeros principios (como la teoría del funcional de la densidad) con modelos de aprendizaje automático entrenados en grandes bases de datos de materiales conocidos. Por ejemplo, las redes neuronales pueden aprender a mapear estructuras atómicas y composiciones a valores de conductividad térmica, y luego cribar millones de compuestos candidatos in silico. Las ideas físicas clave, como el papel de la anarmonicidad, la velocidad de grupo de los fonones y las tasas de dispersión, están codificadas en las características utilizadas por estos modelos. Las mejores predicciones a menudo provienen de métodos híbridos que usan descriptores basados en la física junto con regresión impulsada por datos.

En la práctica

Estos métodos se utilizan para descubrir nuevos materiales termoeléctricos para la recuperación de calor residual, identificar aislantes térmicos eficientes para la industria aeroespacial y optimizar disipadores de calor para la microelectrónica.

Dato curioso

Los modelos de aprendizaje automático han predicho materiales con conductividad térmica inferior a la del aire, lo que podría revolucionar el aislamiento si se sintetizan.

Concept graph →

Fórmulas

$$k = \frac{1}{3} C v l$$
Thermal conductivity depends on heat capacity, particle speed, and mean free path.
Qué hay en la fórmula
kvariablethermal conductivity — conductividad térmica watt per metre per kelvin
Cvariableheat capacity per unit volume — volumetric heat capacity joule per cubic metre per kelvin
vvariableaverage particle speed — rapidez metre per second
lvariablemean free path — camino libre medio metre
k=\frac{1}{3}cvl · 2409.14328
$$m_{\text{eff}}^2(T) = m_0^2 + c T^2$$
Effective mass gains temperature-dependent correction in thermal field theory.
Qué hay en la fórmula
m_effvariableEffective mass (temperature-dependent) — masa kilogram
TvariableTemperature — temperatura kelvin
m_0variableBare mass at zero temperature — masa kilogram
cvariableCoefficient depending on coupling constants — coefficient kilogram per square kelvin
m_{{eff}}^2(t)=-μ^2+\frac{t^2}{12}(4λ+3g^2) · 2607.02505v1
$$\frac{U_d}{k_B T} = \frac{\Pi_p V_o}{k_B T}$$
Depletion attraction energy relative to thermal energy.
Qué hay en la fórmula
U_dvariableDepletion attraction energy — depletion energy joule
k_BvariableBoltzmann constant — constante de Boltzmann joule per kelvin
TvariableAbsolute temperature — temperatura kelvin
Π_pvariableOsmotic pressure of depletant particles — osmotic pressure pascal
V_ovariableOverlap volume of depletion zones — overlap volume cubic metre
\frac{u_d}{k_bt}=\frac{\pi_pv_o}{k_bt} · 2607.10734

Artículos relacionados · 15

Mapa del tesoro para superconductores: cómo dos números unieron distintas familias
Los antiguos mapas del tesoro se dibujaban a partir de rumores: alguien encontraba oro junto a un río, otro en las montañas, y cada uno cavaba en su propio sitio. Con los superconductores de alta temperatura ocurrió algo parecido: los cuprados se hallaron en unos compuestos, los pnicturos de hierro en otros, los niquelatos en unos terceros, y no había un mapa general.
Física Cuántica2026-08-092 minarXiv:2608.10027exprés
Computadoras térmicas: el precio de la precisión
Una computadora normal calcula haciendo circular cargas eléctricas por los cables. ¿Y se puede calcular con calor? Una red de tubos por los que circula agua caliente y fría puede realizar operaciones lógicas simples si se conectan los tubos en el orden adecuado.
Materiales2026-07-262 minarXiv:2607.23484exprés
Dos cauces para la corriente eléctrica en los actínidos
El río se bifurca. Un brazo es ancho y rápido; el agua fluye suavemente, pero al aumentar la temperatura la corriente se ralentiza: aparecen remolinos y olas. El segundo brazo es estrecho, con rápidos, donde el agua salta de piedra en piedra. Este flujo, por el contrario, se vuelve más vivo con el calor.
¿Dónde estás? Las ondas de radio saben la respuesta
Las señales de radio en una habitación se comportan como el sonido en una sala de conciertos: al rebotar en paredes y objetos, crean un patrón irrepetible, una melodía silenciosa de cada lugar. El teléfono, como un oído atento, capta esa melodía entre interferencias y distorsiones. Memoriza qué acorde corresponde a la esquina del sofá y cuál al marco de la puerta.
Sistemas y Control2026-07-151 minarXiv:2607.14245exprés
Cómo la entropía ayuda a los robots a encontrar el camino más rápido
Un grupo de búsqueda rastrea un campo brumoso. Al principio, las personas se dispersan ampliamente: una alta 'temperatura' de búsqueda significa una gran variedad de intentos. Al encontrar un rastro, se acercan. Pero la velocidad de acercamiento es crítica: si se estrecha el círculo demasiado pronto, el mejor hallazgo quedará fuera.
Arranque en caliente para el motor cuántico: cómo el aprendizaje automático acelera los cálculos moleculares
DFTB es un tren de alta velocidad en el mundo de la química cuántica: cientos de veces más rápido que el DFT clásico, pero aún sobre rieles electrónicos. Sin embargo, su motor — la autoconsistencia iterativa de cargas — a veces se asemeja a una orquesta donde cada instrumento comienza con una nota arbitraria.
Sinfonía de cristales: el casting triple de los materiales del futuro
Imagina una audición para una orquesta sinfónica, donde de cientos de aspirantes solo se quedan aquellos cuyos instrumentos suenan limpios y resisten un feroz crescendo. En el mundo de los materiales, las computadoras han aprendido a generar «partituras atómicas»: miles de cristales virtuales que prometen ser la base de chips cuánticos o superconductores.
Materiales2026-06-071 minarXiv:2606.08686exprés
Cómo la entropía predice la estructura de las aleaciones
Crear una aleación de varios metales es como cocinar una sopa con ingredientes desconocidos: adivinar la textura final sin pruebas es casi imposible. Los modelos habituales suelen fallar cuando hay más de tres tipos de átomos.
Materiales2026-04-041 minarXiv:2604.03547exprés
La IA encuentra materiales que casi no conducen el calor
El calor fluye a través de la materia como el agua por las tuberías: a veces rápido, a veces apenas. Los ingenieros buscan materiales que casi no dejan pasar el calor, como tuberías obstruidas. Estos aislantes son clave para el ahorro energético y los dispositivos que transforman calor en electricidad.
Gases cuánticos2026-03-262 minarXiv:2603.25775exprés
Una red neuronal ve los nudos en la niebla cuántica
En una nube fría de átomos, enfriada casi hasta el cero absoluto, las energías pueden comportarse como hilos que se entrelazan formando trenzas. Estas trenzas no son solo una imagen bonita: su patrón está relacionado con la topología, la rama de las matemáticas que estudia las propiedades que se conservan bajo deformaciones continuas.
Materiales2026-03-202 minarXiv:2603.19905exprés
El calor revela la resistencia del aluminio
Se calienta un trozo de aleación de aluminio y, en silencio, cuenta su resistencia. Solo hay que saber escuchar esa historia en la forma en que el metal absorbe el calor. La forma habitual de saber cuán resistente es una aleación es estirarla hasta que se rompa. Eso lleva tiempo y destruye la muestra.
Física Cuántica2026-03-112 minarXiv:2603.10344exprés
Cómo un ordenador cuántico distinguió la flecha del tiempo
Una película de una taza rota proyectada hacia atrás parece absurda: los fragmentos no se reúnen solos para formar el todo. Esta sensación intuitiva de irreversibilidad está relacionada con el aumento de la entropía, una medida del desorden en un sistema.
Materiales2026-03-071 minarXiv:2603.07260exprés
Un imán atómico aprende a predecir el calor
Un trozo de combustible nuclear dentro del reactor no es solo un sólido. Al calentarse, los átomos de uranio comienzan a "mover" sus momentos magnéticos, y ese movimiento altera la conductividad térmica y otras propiedades.
Física mesoscópica2026-03-061 minarXiv:2603.06796exprés
Cómo los bosones ayudan a los superconductores a vencer el calor
Ciertos materiales, cerca del cero absoluto, superconducen: la electricidad fluye sin pérdidas. La temperatura crítica marca el inicio. John Bardeen y sus colegas explicaron que las vibraciones atómicas unen a los electrones en pares de Cooper.
Materiales2026-02-211 minarXiv:2602.18979exprés
Cóctel de metales: cómo predecir su calor y su corriente
Una aleación metálica se parece a un cóctel: mezclas varios elementos y obtienes un material con nuevas propiedades. Pero si el camarero prueba la bebida, los ingenieros necesitan saber de antemano cómo se comportará la aleación en el trabajo. Por ejemplo, si resistirá altas temperaturas y no perderá su capacidad de conducir corriente.