非晶材料的热传输特性对于它们在能源和电子设备中的新兴应用至关重要。然而，由于计算技术的固有局限性和复杂原子结构缺乏物理直观的描述符，理解和控制无序材料中的热传输仍然是一个突出的挑战。

在这里，清华大学Bingyang Cao，剑桥大学Gábor Csányi展示了结合基于机器学习的模型和实验观察如何帮助准确描述无序材料的真实结构、热传输特性和结构-特性图，这通过氧化镓的实际应用得到了说明。

文章要点

1）研究人员首先提供了实验证据，证明机器学习原子间势能以自我引导的方式产生，具有最少的量子力学计算，能够对非晶氧化镓及其热传输特性进行精确建模。

2）接下来，通过原子模拟揭示了短程和中程有序随密度的微观变化，并阐明了这些变化如何减少局域化模式并增强相干性对热传输的贡献。

3）最后，研究人员提出了一种受物理学启发的无序相结构描述符，以线性形式预测结构与热导率之间的潜在关系。

这项工作可能会为未来加速探索无序功能材料的新型热传输特性和机制提供启示。

参考文献

Yuanbin Liu, et al, Unraveling Thermal Transport Correlated with Atomistic Structures in Amorphous Gallium Oxide via Machine Learning Combined with Experiments, Adv. Mater. 2023

DOI: 10.1002/adma.202210873

https://onlinelibrary.wiley.com/doi/abs/10.1002/adma.202210873