中国团队在非晶氧化镓导热领域取得新进展

非晶（无定形）材料指原子排列缺乏长程周期性的固体材料，普遍存在于自然界中，也是工业生产及日常生活中使用最为广泛的一类材料。非晶氧化镓具有超宽的禁带宽度和优异的物理化学特性，是制造高功率芯片和柔性光电子器件的重要基础材料。研究非晶氧化镓的热输运特性对其在能源与光电子器件的热管理及能量转化等方面的应用至关重要。近年来，通过考虑模态相干作用和非谐性对热导率的贡献，非晶材料的导热理论取得了一定进展，然而，由于非晶材料原子尺度结构的复杂性及当前实验和计算手段的局限性，全面理解非晶材料的结构对热输运特性的影响机理并建立二者之间的定量关系仍是凝聚态材料物理中亟待解决的挑战性难题。

近日，清华大学航天航空学院曹炳阳教授课题组针对非晶氧化镓体系，采用机器学习、分子动力学模拟及实验测量相结合的方法成功揭示了非晶氧化镓的原子结构特征、热输运性质及“结构—热输运性质”内在影响机制和定量关系。由于当前实验技术难以直接观测到非晶材料的三维原子结构，因此研究团队借助具有量子力学精度的机器学习势函数模拟熔化—淬火过程对非晶材料进行原子尺度的准确建模，并使用非平衡分子动力学模拟、阿伦-费尔德曼（Allen-Feldmen，AF）简谐理论及统一导热理论（Unified Theory,UF）对非晶氧化镓的热导率进行了研究。实验结果表明基于随机结构搜索和玻尔兹曼能量图采样而自动生成的机器学习势可以准确地预测非晶氧化镓的结构和热导率（图1），同时揭示出非晶氧化镓的热导率由模态相干作用主导，类声子的模态传播作用对热导率的贡献可以忽略。

图1.非晶氧化镓热导率的实验测量结果与理论预测值对比

长程无序性的缺失使中短程有序性成为非晶材料最为重要的结构特征，同时中短程有序结构在很大程度上决定了非晶材料的物理化学性质。为此，研究团队利用机器学习驱动的淬火模拟揭示了非晶氧化镓从高密度区到低密度区中短程有序结构的变化（图2）。对分布函数的结果表明非晶氧化镓的平均键长约为1.9Å（图2b）。此外，研究显示随着密度的增加，非晶氧化镓原子网络的平均原子配位数在增加，类四面体环境的比例在下降，而类八面体环境的比例在升高（图2c-e）。最短路径环的统计分布随密度的增加迅速衰减，表明模拟所使用的计算单元的尺度可保证中程有序结构的复现（图2f）。同时环分布的结果表明高密度体系具有与晶体更为相似的中程有序结构。

图2.非晶氧化镓短程及中程有序结构的特征分析

为深入分析结构变化对非晶氧化镓微观导热过程的影响机理，研究团队进一步计算了不同非晶氧化镓体系的参与比倒数和模态扩散率（图3）。参与比倒数可以衡量振动模态的局域化程度，而模态扩散率则可以描述振动模态携带热量扩散的速率。结果表明振动模态的局域化主要发生在高频区域，同时局域模态的扩散率整体偏低。随着材料密度的增加，参与比倒数在减小，而模态扩散率在增加，说明模态局域化的占比在下降，而模态在空间上的扩展性在增强，最终体现为材料导热能力的增强。密度对热导率的影响可以更深入地归因于原子尺度的结构对热输运过程的影响。如前所述，体系密度的增加导致了原子平均配位数的增加及类八面体环境的占比升高，这为热量的传输提供了更多的作用通道，进而导致热传输的增强。

图3.不同非晶氧化镓体系的参与比倒数及振动模态扩散率分布

从材料信息学的角度，为建立材料结构与热导率之间的定量关系，研究者首次提出了具有物理可解释性的非晶材料的结构描述器，即结构相似因子（Structural Similarity Factor,SSF）。从原子尺度看，非晶材料与晶体材料具有相似的多面体组成单元，造成二者结构和性质的差异主要来自多面体单元的连接数、取向及畸变等方面的差别。SSF正是通过测量非晶与晶体材料化学环境的相似性来表示非晶的结构特征。本质上，SSF对材料体系的密度和组分具有很高的灵敏性，SSF越大，表明原子网络更稠密，平均配位数更高，对应材料的热导率越大。同时，SSF巧妙地量化了晶体和非晶材料的中程序结构的相似性，SSF越大，非晶材料的中程序结构与晶体越相似，这可以通过图2f所示的最短路径环分布得到验证。结果表明SSF与热导率之间呈现出很强的线性关系，因而使用少量的数据即可构建出结构与热导率间的定量关系，这将有助于直接从非晶体系的结构信息中快速、准确地预测热导率，并加速具有优异热性能的非晶材料的筛选。

图4.非晶氧化镓的密度、组分比及结构描述器SSF与热导率之间的关系

研究结果对于开发非晶氧化镓电子器件的热管理技术具有重要意义，此外，还展示了机器学习模型解决现实物理问题的能力。鉴于非晶相中热传输的复杂性和重要性，这项工作为未来加速探索其他重要非晶材料的热传输特性和机理提供了一个新的起点。

上述成果以“结合机器学习与实验揭示非晶氧化镓原子结构与热输运性质的相关性”（Unraveling Thermal Transport Correlated with Atomistic Structures in Amorphous Gallium Oxide via Machine Learning Combined with Experiments）为题，发表在国际期刊《先进材料》（Advanced Materials）上。

版权声明：除特殊说明外，本站所有文章均为 字节点击 原创内容，采用 BY-NC-SA 知识共享协议。原文链接：https://byteclicks.com/50365.html 转载时请以链接形式标明本文地址。转载本站内容不得用于任何商业目的。本站转载内容版权归原作者所有，文章内容仅代表作者独立观点，不代表字节点击立场。报道中出现的商标、图像版权及专利和其他版权所有的信息属于其合法持有人，只供传递信息之用，非商务用途。如有侵权，请联系 gavin@byteclicks.com。我们将协调给予处理。