海归学者发起的公益学术平台

分享信息，整合资源

交流学术，偶尔风月

在两种不同材料的界面上作热传输是微/纳电子、光子和声子器件中的关键问题。影响两种材料之间的界面热阻（ITR）的因素种类较多，使得ITR预测成为一个高维数学问题，因而有必要探索使用机器学习来经济有效地加以解决。

来自日本物质材料研究所的华人科学家徐一斌女士领导的团队，通过进一步考虑基于化学、物理和材料特性的界面条件，使用机器学习对界面热阻作了精确的预测，其预测结果的相关系数R高达0.96。他们将描述符分为三种符集：性能描述符、化合物描述符和过程描述符。在80,种材料体系中，界面热阻预测准确度最高的前名中，三种模型中至少有两个模型重复预测了25种材料体系的结果。25种材料体系有两个主要组：Bi/氧化物和AsI3/碲化物或碘化物。其中，Bi/Si实现了0.16Wm1K1的超低导热率。所预测的高界面热阻材料，被证明是绝热或热电应用的潜在候选者。通过限制新材料的搜索空间，如高温环境的高熔点，界面热阻预测模型还可扩展到更具体的热需求。该策略可以加速热利用的新材料开发。

该文近期发表于npjComputationalMaterials5:56()，英文标题与摘要如下，点击左下角“阅读原文”可以自由获取论文PDF。

Predictinginterfacialthermalresistancebymachinelearning

Yen-JuWu,LeiFangYibinXu

Variousfactorsaffecttheinterfacialthermalresistance(ITR)betweentwomaterials,makingITRpredictionahigh-dimensionalmathematicalproblem.Machinelearningisacost-effectivemethodtoaddressthis.Here,wereportITRpredictivemodelsbasedonexperimentaldata.Thephysical,chemical,andmaterialpropertiesofITRarecategorizedintothreesetsofdescriptors,andthreealgorithmsareusedforthemodels.hosedescriptorsassistthemodelsinreducingthemismatchbetweenpredictedandexperimentalvaluesandreachinghighpredictiveperformanceof96%.Over80,materialsystems

转载请注明:http://www.aideyishus.com/lkzp/2128.html