图 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

　　在国家自然科学基金项目（批准号：51825601、U20A20301）资助下，清华大学曹炳阳教授团队及合作者在非晶氧化镓导热领域取得进展。研究成果以“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，于2023年6月15日发表在《先进材料》（Advanced Materials）期刊上。论文链接：https://onlinelibrary.wiley.com/doi/10.1002/adma.202210873。

　　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，通过全面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，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是凝聚态材料物理中亟待解决的挑战性难题。

　　针对以上关键问题，研究团队采用机器学习、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。研究团队的实验证据证明了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。在此基础上，研究团队通过大批量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，阐明了过约束的键合网络、类八面体结构单元的增加以及重元素Ga含量的减少均可增强模态间的相干作用对热导率的贡献。此外，研究团队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）。SSF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。如图所示，SSF与热导率之间呈现出了很强的线性关系，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。

　　这项工作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，展示了机器学习模型解决现实物理问题的能力，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。