Métodos para predecir o descubrir materiales con propiedades específicas de conducción de calor.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.
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.
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.
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.
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.
| k | variable | thermal conductivity — conductividad térmica watt per metre per kelvin |
| C | variable | heat capacity per unit volume — volumetric heat capacity joule per cubic metre per kelvin |
| v | variable | average particle speed — rapidez metre per second |
| l | variable | mean free path — camino libre medio metre |
| m_eff | variable | Effective mass (temperature-dependent) — masa kilogram |
| T | variable | Temperature — temperatura kelvin |
| m_0 | variable | Bare mass at zero temperature — masa kilogram |
| c | variable | Coefficient depending on coupling constants — coefficient kilogram per square kelvin |
| U_d | variable | Depletion attraction energy — depletion energy joule |
| k_B | variable | Boltzmann constant — constante de Boltzmann joule per kelvin |
| T | variable | Absolute temperature — temperatura kelvin |
| Π_p | variable | Osmotic pressure of depletant particles — osmotic pressure pascal |
| V_o | variable | Overlap volume of depletion zones — overlap volume cubic metre |






