(纯计算)清华大学/加州大学戴维斯分校npj Comput. Mater.: 生成式深度学习预测超高晶格热导率材料

2025年4月11日，npj Comput. Mater.在线发表了清华大学曹炳阳教授和加州大学戴维斯分校Davide Donadio课题组的研究论文，题目为《Generative deep learning for predicting ultrahigh lattice thermal conductivity materials》，论文的第一作者为Liben Guo和Yuanbin Liu。

开发具有超高热导率的材料对于热管理和能量转换至关重要。生成模型和机器学习（ML）的最新发展为预测新的功能材料带来了巨大的希望。然而，这些数据驱动的方法并不适合识别能量稳定的结构并准确预测其热性质，因为它们缺乏物理约束和关于原子多体相互作用复杂性的信息。

在此研究中，作者展示了如何将晶体结构的深度生成模型与量子精确、快速的机器学习原子间势相结合，可以加速预测具有超高晶格热导率的材料，同时确保能量优化。利用从原子配位环境中导出的结构对称性和相似性度量，能够快速探索生成模型产生的结构空间。此外，提出了一种基于主动学习的协议，用于动态训练机器学习势，以实现对潜在材料稳定性和晶格热导率的高保真预测。将这种方法应用于碳材料，筛选了100000个候选材料，并识别出34种碳多晶型物，其中约四分之一的晶格热导率高于800 W m⁻¹ K⁻¹，最高可达2400 W m⁻¹ K⁻¹。这些发现为机器学习辅助预测具有特殊热性能的周期性材料提供了一条可行的途径。

图1 方法概述

图2 生成模型的性能评估

图3 机器学习驱动的超高κ_L材料探索

图4 六种预测的超高κ_L碳同素异形体的晶体结构和热力学性质

图5 六种代表性碳同素异形体的声子色散曲线(比较DFT和“Allegro”MLIP的结果)

【论文链接】

Guo, L., Liu, Y., Chen, Z. et al. Generative deep learning for predicting ultrahigh lattice thermal conductivity materials. npj Comput. Mater., 2025, 11, 97. https://doi.org/10.1038/s41524-025-01592-8

【注】：小编水平有限，若有误，请联系修改；若侵权，请联系删除！