近日，核科学与能源动力学院2022级本科生张平洋、2023级本科生秦一涵分别以共同第一、第二作者在国际顶级期刊npj Computational Materials（中科院一区TOP，IF=11.9）发表基于机器学习的智能热管理材料研究成果“Machine learning-driven molecular dynamics decodes thermal tuning in graphene foam composites”，通过机器学习驱动的分子动力学模拟，揭示了石墨烯泡沫/聚二甲基硅氧烷（GF/PDMS）复合材料在形变过程中的热传导调控机制。该研究通讯作者是山东大学青年教师杜婷婷、齐鲁工业大学（山东省科学院）教授魏磊、田纳西大学教授Xiangyu Li。

研究团队创新性地提出了“物理约束随机接触模型”，并采用基于神经演化势能（MLP-NEP）的机器学习框架，有效解决了传统分子动力学模拟在复合材料研究中精度与效率问题。该方法的计算效率较AIMD方法提高了3000万倍，在数十纳米尺度精准模拟GF/PDMS复合材料的极端变形行为（40%拉伸至50%压缩），为复杂材料体系的跨尺度模拟提供了新思路。

研究结果表明，当PDMS掺杂量为5%时，GF/PDMS复合材料展现最佳协同性能——热阻调制幅度达7.13倍（弹性变形区间内），同时提高了抗拉强度等力学性能，形成“力学强化不牺牲热调谐能力”的独特优势。通过声子谱分析揭示，PDMS通过增强低频声子散射和界面热阻抑制热传导，而石墨烯层堆叠/分离是热导率动态调谐的关键。这一研究成果不仅为开发新一代智能热管理材料和自供电传感网络系统提供了重要理论支撑，也为团队提出的“基于可压缩石墨烯泡沫复合材料的大范围连续可调热开关”设计，揭示了其微观作用机理。

该系列工作紧扣产业发展需求与前沿趋势，在深耕科研创新的同时，积极探索新技术浪潮驱动下的育人路径与人才培养模式革新，通过搭建科研实践平台充分激发本科生参与科研的内生动力与主动意识。与此同时，核科学与能源动力学院推行的本科生导师制、班主任制及“HEO朋辈”互促机制，进一步拓宽了本科生发挥个人专长投身科研的渠道，强化了科研实践参与力度。这些机制不仅为本科生的学业发展与职业规划提供了精准指引与有力支撑，更在提升本科人才培养质量、加快拔尖创新人才培育方面发挥了重要作用。