Méthodes pour prédire ou découvrir des matériaux ayant des propriétés spécifiques de conduction de la chaleur.La prédiction de la conductivité thermique fait référence aux méthodes computationnelles et d'apprentissage automatique pour estimer ou découvrir des matériaux présentant des propriétés de transport de chaleur souhaitées, telles qu'une conductivité thermique ultra-faible ou ultra-élevée. Cela est crucial pour des applications comme la conversion d'énergie thermoélectrique, les revêtements de barrière thermique et la gestion de la chaleur dans l'électronique. Le défi réside dans le fait que la conductivité thermique dépend d'interactions complexes à l'échelle atomique — diffusion des phonons, structure cristalline, défauts et composition — ce qui la rend difficile à prédire à partir de règles simples.
Ce domaine est issu des corrélations empiriques du début du XXe siècle, mais l'ère moderne a commencé dans les années 2000 avec le criblage computationnel à haut débit. L'utilisation de l'apprentissage profond pour la conductivité thermique, comme l'illustrent des modèles tels que KappaFormer, est un développement des années 2020, motivé par la disponibilité de grandes bases de données de matériaux et les progrès des réseaux de neurones graphiques.
Les approches modernes combinent des calculs de premiers principes (comme la théorie de la fonctionnelle de la densité) avec des modèles d'apprentissage automatique entraînés sur de grandes bases de données de matériaux connus. Par exemple, les réseaux de neurones peuvent apprendre à mapper les structures atomiques et les compositions vers des valeurs de conductivité thermique, puis cribler des millions de composés candidats in silico. Les informations physiques clés, telles que le rôle de l'anharmonicité, la vitesse de groupe des phonons et les taux de diffusion, sont encodées dans les caractéristiques utilisées par ces modèles. Les meilleures prédictions proviennent souvent de méthodes hybrides qui utilisent des descripteurs basés sur la physique en plus de la régression pilotée par les données.
Ces méthodes sont utilisées pour découvrir de nouveaux matériaux thermoélectriques pour la récupération de chaleur perdue, identifier des isolants thermiques efficaces pour l'aérospatiale et optimiser les dissipateurs de chaleur pour la microélectronique.
Les modèles d'apprentissage automatique ont prédit des matériaux ayant une conductivité thermique inférieure à celle de l'air, ce qui pourrait révolutionner l'isolation s'ils étaient synthétisés.
| k | variable | thermal conductivity — conductivité thermique 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 — vitesse metre per second |
| l | variable | mean free path — libre parcours moyen metre |
| m_eff | variable | Effective mass (temperature-dependent) — masse kilogram |
| T | variable | Temperature — température kelvin |
| m_0 | variable | Bare mass at zero temperature — masse 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 — température kelvin |
| Π_p | variable | Osmotic pressure of depletant particles — osmotic pressure pascal |
| V_o | variable | Overlap volume of depletion zones — overlap volume cubic metre |
