首页 > 生活 > 正文

机器学习解释材料意外的热导率

来源:生活2024-08-23 10:28:23
导读 康奈尔大学的研究人员结合机器学习和强大的X射线,解开了具有热电能量转换和其他应用潜力的一类材料中出现的异常行为背后的谜团。研究人员...

康奈尔大学的研究人员结合机器学习和强大的X射线,解开了具有热电能量转换和其他应用潜力的一类材料中出现的异常行为背后的谜团。

研究人员早已证明,立方相碲化锗(GeTe)的晶格热导率会随着温度升高而意外上升。但知道一种特性存在和解释它为何存在是两码事。

康奈尔大学西布利机械与航空航天工程学院副教授田志婷是《自然通讯》杂志一篇论文的主要作者,该论文对GeTe的意外行为提供了令人信服的解释。更广泛地说,这项研究加深了研究人员对相变材料中热传输的理解。

田和她的研究团队发现,当GeTe样品被加热到从菱面体结构变为立方结构的阶段时,同原子的第二近邻(Ge-Ge和Te-Te)之间的键会大大增强。当样品温度从693开尔文升至850开尔文时,Ge-Ge键强度增加了8.3%,Te-Te键强度增加了103%。

研究小组利用机器学习辅助的第一性原理计算,并结合X射线散射测量,首次通过计算再现了热导率不断上升的趋势。然后,他们借用一种常用的化学技术进行键合分析,并证实这些越来越强的第二近邻键在GeTe之前无法解释的晶格热导率上升中起着重要作用。

“从计算角度来看,研究温度效应和考虑高阶散射等问题非常困难,”田说。“但由于我们能够利用机器学习的潜力,我们能够更有效地提取相互作用,并同时考虑多种效应——温度依赖性、四声子散射和相干性贡献。”

GeTe等相变材料因其在一系列光学和电子应用中的实用性而受到重视。它们的光学和电学特性会根据其所处的几种稳定相态而发生显著变化,并且这些相态可以轻松逆转。

此外,康奈尔大学阿特金森可持续发展中心的研究员田表示,由于铅具有固有的毒性,人们一直在讨论用GeTe来替代半导体碲化铅作为热电材料。

这项工作展示了一种有效而彻底的途径,可以精确模拟接近相变或高温下的材料,这些材料有望用于相变、热电和其他能源应用。

“我们还发现了其他表现出类似导电性增加的材料,包括碲化锡和硒化锡,”田说。“因此,我们希望我们的工作能够激发人们对深入研究其他相变材料的热传输行为的兴趣。”

关键词:
版权声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。

最新文章