我國學者在非晶氧化鎵導熱領域取得進展

圖 非晶氧化鎵的密度、組分比及結構描述器SSF與熱導率之間的關系

　　在國家自然科學基金項目（批準號：51825601、U20A20301）資助下，清華大學曹炳陽教授團隊及合作者在非晶氧化鎵導熱領域取得進展。研究成果以“結合機器學習與實驗揭示非晶氧化鎵原子結構與熱輸運性質的相關性（Unraveling Thermal Transport Correlated with Atomistic Structures in Amorphous Gallium Oxide via Machine Learning Combined with Experiments）”為題，于2023年6月15日發表在《先進材料》（Advanced Materials）期刊上。論文鏈接：https://onlinelibrary.wiley.com/doi/10.1002/adma.202210873。

　　非晶（無定形）材料指原子排列缺乏長程周期性的固體材料，普遍存在于自然界中，也是工業生產及日常生活中使用最為廣泛的一類材料。非晶氧化鎵具有超寬的禁帶寬度和優異的物理化學特性，是制造高功率芯片和柔性光電子器件的重要基礎材料。研究非晶氧化鎵的熱輸運特性對其在能源與光電子器件的熱管理及能量轉化等方面的應用至關重要。近年來，通過全面考慮模態相干作用和非諧性對熱導率的貢獻，非晶材料的導熱理論取得了一定進展，然而，由于非晶材料原子尺度結構的復雜性及當前實驗和計算手段的局限性，理解非晶材料的結構對熱輸運特性的影響機理并建立二者之間的定量關系是凝聚態材料物理中亟待解決的挑戰性難題。

　　針對以上關鍵問題，研究團隊采用機器學習、分子動力學模擬及實驗測量相結合的方法成功揭示了非晶氧化鎵的原子結構特征、熱輸運性質及“結構—熱輸運性質”內在影響機制和定量關系。研究團隊的實驗證據證明了基于隨機結構搜索和玻爾茲曼能量圖采樣而自動生成的機器學習勢可以準確地預測非晶氧化鎵的結構和熱導率。在此基礎上，研究團隊通過大批量機器學習驅動的淬火模擬揭示了非晶氧化鎵從高密度區到低密度區中短程有序結構的變化，闡明了過約束的鍵合網絡、類八面體結構單元的增加以及重元素Ga含量的減少均可增強模態間的相干作用對熱導率的貢獻。此外，研究團隊首次提出了具有物理可解釋性的非晶材料的結構描述器，即結構相似因子（Structural Similarity Factor, SSF）。SSF通過測量非晶與晶體材料化學環境的相似性來表示非晶的結構特征。如圖所示，SSF與熱導率之間呈現出了很強的線性關系，因而使用少量的數據即可構建出結構與熱導率間的定量關系，這將有助于直接從非晶體系的結構信息中快速、準確地預測熱導率，并加速具有優異熱性能的非晶材料的篩選。

　　這項工作對于開發非晶氧化鎵電子器件的熱管理技術具有重要意義，展示了機器學習模型解決現實物理問題的能力，為未來加速探索其他重要非晶材料的熱傳輸特性和機理提供了一個新的起點。