Методы прогнозирования или поиска материалов с заданными свойствами теплопроводности.Прогнозирование теплопроводности относится к вычислительным методам и методам машинного обучения для оценки или поиска материалов с желаемыми свойствами теплопереноса, такими как сверхнизкая или сверхвысокая теплопроводность. Это важно для таких применений, как термоэлектрическое преобразование энергии, теплозащитные покрытия и управление теплом в электронике. Сложность заключается в том, что теплопроводность зависит от сложных взаимодействий на атомном уровне — рассеяния фононов, кристаллической структуры, дефектов и состава, что затрудняет её предсказание на основе простых правил.
Эта область возникла из ранних эмпирических корреляций в XX веке, но современная эпоха началась в 2000-х годах с высокопроизводительного вычислительного скрининга. Использование глубокого обучения для прогнозирования теплопроводности, как, например, в моделях типа KappaFormer, является разработкой 2020-х годов, обусловленной доступностью больших баз данных материалов и достижениями в области графовых нейронных сетей.
Современные подходы сочетают расчёты из первых принципов (например, теорию функционала плотности) с моделями машинного обучения, обученными на больших базах данных известных материалов. Например, нейронные сети могут научиться сопоставлять атомные структуры и составы со значениями теплопроводности, а затем проводить скрининг миллионов кандидатов in silico. Ключевые физические представления, такие как роль ангармонизма, групповой скорости фононов и скоростей рассеяния, закодированы в признаках, используемых этими моделями. Наилучшие прогнозы часто получаются с помощью гибридных методов, которые используют физические дескрипторы наряду с регрессией, основанной на данных.
Эти методы используются для поиска новых термоэлектрических материалов для рекуперации отходящего тепла, выявления эффективных теплоизоляторов для аэрокосмической отрасли и оптимизации распределителей тепла для микроэлектроники.
Модели машинного обучения предсказали материалы с теплопроводностью ниже, чем у воздуха, что могло бы произвести революцию в изоляции, если бы их удалось синтезировать.
| k | переменная | теплопроводность — теплопроводность Вт/(м·К) |
| C | переменная | теплоёмкость на единицу объёма — volumetric heat capacity Дж/(м³·К) |
| v | переменная | средняя скорость частиц — скорость м/с |
| l | переменная | средняя длина свободного пробега — длина свободного пробега м |
| m_eff | переменная | Эффективная масса (зависящая от температуры) — масса кг |
| T | переменная | Температура — температура К |
| m_0 | переменная | Голая масса при нулевой температуре — масса кг |
| c | переменная | Коэффициент, зависящий от констант связи — coefficient кг/К² |
| U_d | переменная | Энергия деплеционного притяжения — depletion energy Дж |
| k_B | переменная | Постоянная Больцмана — постоянная Больцмана Дж/К |
| T | переменная | Абсолютная температура — температура К |
| Π_p | переменная | Осмотическое давление частиц деплетанта — osmotic pressure Па |
| V_o | переменная | Объём перекрытия зон истощения — overlap volume м³ |
