GPUMD＆NEP助力揭示無(wú)序gra/h-BN多層中的超低熱導(dǎo)機(jī)制

在二維熱電與熱管理設(shè)計(jì)中，如何在海量層狀異質(zhì)結(jié)構(gòu)里快速找到“更低熱導(dǎo)”的構(gòu)型，一直是高通量計(jì)算的難點(diǎn)。近期發(fā)表于《Applied Thermal Engineering》的論文《Neural networks accelerate discovery of ultralow thermal conductivity configurations in disordered graphene/h-BN multilayers》中，研究團(tuán)隊(duì)把神經(jīng)網(wǎng)絡(luò)主動(dòng)學(xué)習(xí)與 GPUMD 中的非平衡分子動(dòng)力學(xué)（NEMD）結(jié)合，用極少代價(jià)從 6700 萬(wàn)種 gra/h-BN 隨機(jī)多層結(jié)構(gòu)里篩出了最低熱導(dǎo)候選。需要說(shuō)明的是，本文并未直接訓(xùn)練 NEP 勢(shì)，但它非常直觀地展示了 GPUMD 與機(jī)器學(xué)習(xí)協(xié)同探索大設(shè)計(jì)空間的能力，這類范式對(duì) NEP 驅(qū)動(dòng)的熱輸運(yùn)篩選同樣很有參考價(jià)值。

作者先用 300 個(gè)隨機(jī)結(jié)構(gòu)建立初始數(shù)據(jù)集，再由神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)全部 2^26 個(gè)候選構(gòu)型的熱導(dǎo)率，并在每輪挑出 100 個(gè)最低預(yù)測(cè)值結(jié)構(gòu)交給 GPUMD 做 NEMD 驗(yàn)證，不斷擴(kuò)充訓(xùn)練集。經(jīng)過(guò)三步超參數(shù)優(yōu)化后，模型測(cè)試集 MSE 降到 0.0008 W m^-1 K^-1，MAPE 為 3.8%；最終只評(píng)估了 1300 個(gè)構(gòu)型，也就是全部設(shè)計(jì)空間的 0.0019%，卻把等效暴力搜索的計(jì)算成本壓縮了 51622 倍。

圖1：神經(jīng)網(wǎng)絡(luò)主動(dòng)學(xué)習(xí) + GPUMD/NEMD 的超低熱導(dǎo)搜索流程

最關(guān)鍵的結(jié)果是，優(yōu)化得到的無(wú)序 graphene/h-BN 隨機(jī)多層結(jié)構(gòu)（GH-RML）在 300 K 下實(shí)現(xiàn)了 0.56 ± 0.02 W/mK 的超低跨面熱導(dǎo)率，比人工隨機(jī)搜索得到的最低值 0.77 W/mK 還低 27.2%，也明顯低于周期超晶格的最低水平。這說(shuō)明真正的優(yōu)勢(shì)不在“多算”，而在“快速預(yù)測(cè) + 高效驗(yàn)證”的閉環(huán)。

圖2：平均周期長(zhǎng)度與最優(yōu)無(wú)序構(gòu)型，對(duì)應(yīng)最低熱導(dǎo)率 κ = 0.56 W/mK

最低熱導(dǎo)并不出現(xiàn)在最規(guī)則的超晶格，而是出現(xiàn)在平均周期長(zhǎng)度約 1.05 nm 的無(wú)序結(jié)構(gòu)中；相比之下，周期超晶格的最低點(diǎn)出現(xiàn)在 2.8 nm。作者進(jìn)一步用聲子參與率（PPR）和無(wú)序度分析表明：適中的層厚無(wú)序（δ = 0.376）疊加較高的排布無(wú)序，最有利于打斷相干聲子傳輸、增強(qiáng)聲子局域化，從而把熱導(dǎo)率繼續(xù)壓低。

文章信息：

Qiao Chen, Dongyang Li, Bing Yang, Yunqing Tang*, Lin Li*. Neural networks accelerate discovery of ultralow thermal conductivity configurations in disordered graphene/h-BN multilayers. Applied Thermal Engineering 292 (2026) 130338.

文章鏈接：https://doi.org/10.1016/j.applthermaleng.2026.130338

在二維熱電與熱管理設(shè)計(jì)中，如何在海量層狀異質(zhì)結(jié)構(gòu)里快速找到“更低熱導(dǎo)”的構(gòu)型，一直是高通量計(jì)算的難點(diǎn)。近期發(fā)表于《Applied Thermal Engineering》的論文《Neural networks accelerate discovery of ultralow thermal conductivity configurations in disordered graphene/h-BN multilayers》中，研究團(tuán)隊(duì)把神經(jīng)網(wǎng)絡(luò)主動(dòng)學(xué)習(xí)與 GPUMD 中的非平衡分子動(dòng)力學(xué)（NEMD）結(jié)合，用極少代價(jià)從 6700 萬(wàn)種 gra/h-BN 隨機(jī)多層結(jié)構(gòu)里篩出了最低熱導(dǎo)候選。需要說(shuō)明的是，本文并未直接訓(xùn)練 NEP 勢(shì)，但它非常直觀地展示了 GPUMD 與機(jī)器學(xué)習(xí)協(xié)同探索大設(shè)計(jì)空間的能力，這類范式對(duì) NEP 驅(qū)動(dòng)的熱輸運(yùn)篩選同樣很有參考價(jià)值。

作者先用 300 個(gè)隨機(jī)結(jié)構(gòu)建立初始數(shù)據(jù)集，再由神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)全部 2^26 個(gè)候選構(gòu)型的熱導(dǎo)率，并在每輪挑出 100 個(gè)最低預(yù)測(cè)值結(jié)構(gòu)交給 GPUMD 做 NEMD 驗(yàn)證，不斷擴(kuò)充訓(xùn)練集。經(jīng)過(guò)三步超參數(shù)優(yōu)化后，模型測(cè)試集 MSE 降到 0.0008 W m^-1 K^-1，MAPE 為 3.8%；最終只評(píng)估了 1300 個(gè)構(gòu)型，也就是全部設(shè)計(jì)空間的 0.0019%，卻把等效暴力搜索的計(jì)算成本壓縮了 51622 倍。

圖1：神經(jīng)網(wǎng)絡(luò)主動(dòng)學(xué)習(xí) + GPUMD/NEMD 的超低熱導(dǎo)搜索流程

最關(guān)鍵的結(jié)果是，優(yōu)化得到的無(wú)序 graphene/h-BN 隨機(jī)多層結(jié)構(gòu)（GH-RML）在 300 K 下實(shí)現(xiàn)了 0.56 ± 0.02 W/mK 的超低跨面熱導(dǎo)率，比人工隨機(jī)搜索得到的最低值 0.77 W/mK 還低 27.2%，也明顯低于周期超晶格的最低水平。這說(shuō)明真正的優(yōu)勢(shì)不在“多算”，而在“快速預(yù)測(cè) + 高效驗(yàn)證”的閉環(huán)。

圖2：平均周期長(zhǎng)度與最優(yōu)無(wú)序構(gòu)型，對(duì)應(yīng)最低熱導(dǎo)率 κ = 0.56 W/mK

最低熱導(dǎo)并不出現(xiàn)在最規(guī)則的超晶格，而是出現(xiàn)在平均周期長(zhǎng)度約 1.05 nm 的無(wú)序結(jié)構(gòu)中；相比之下，周期超晶格的最低點(diǎn)出現(xiàn)在 2.8 nm。作者進(jìn)一步用聲子參與率（PPR）和無(wú)序度分析表明：適中的層厚無(wú)序（δ = 0.376）疊加較高的排布無(wú)序，最有利于打斷相干聲子傳輸、增強(qiáng)聲子局域化，從而把熱導(dǎo)率繼續(xù)壓低。

文章信息：

Qiao Chen, Dongyang Li, Bing Yang, Yunqing Tang*, Lin Li*. Neural networks accelerate discovery of ultralow thermal conductivity configurations in disordered graphene/h-BN multilayers. Applied Thermal Engineering 292 (2026) 130338.

文章鏈接：https://doi.org/10.1016/j.applthermaleng.2026.130338

來(lái)源：GPUMD與NEP