Accelerating Discovery of Extreme Lattice Thermal Conductivity by Crystal Attention Graph Neural Network (CATGNN) Using Chemical Bonding Intuitive Descriptors

Wärme bewegt sich durch feste Materialien auf eine Weise, die oft unsichtbar ist, aber grundlegend wichtig für die Funktionsweise unserer Technologie. In Kristallen, welche Festkörper mit einer perfekten, sich wiederholenden Anordnung von Atomen sind, fließt Wärme nicht als Fluid, sondern als Vibration der Atome selbst. Diese Schwingungen, bekannt als Phononen, tragen Energie von einem Ende eines Materials zum anderen. Für bestimmte Anwendungen, wie etwa die Kühlung eines leistungsstarken Computerchips oder eines Hochgeschwindigkeitslasers, benötigen Ingenieure Materialien, die diese Wärme so schnell wie möglich durch sich rasen lassen. Für andere Aufgaben, wie etwa die Effizienzsteigerung eines thermoelektrischen Generators oder die Isolierung eines Gebäudes, müssen sie die Wärme einfangen und die Schwingungen bis zum Stillstand verlangsamen. Die Herausforderung bestand bisher immer darin, neue Materialien mit diesen extremen Eigenschaften zu finden. Während Wissenschaftler schon lange wissen, dass schwere Atome oder schwache Bindungen dazu neigen, die Wärme zu verlangsamen, und leichte, starke Bindungen dazu neigen, sie zu beschleunigen, sind diese Regeln oft zu vage, um exakt vorherzusagen, wie sich ein spezifischer neuer Kristall verhalten wird.

Ein Forschungsteam hat nun eine wesentlich präzisere Methode entwickelt, um in diese Materialien hineinzusehen, indem es über einfache Faustregeln hinausgeht und zu einem detaillierten Verständnis dafür gelangt, wie Atome „Händchen halten“. Durch die Analyse des elektronischen Klebers, der die Atome zusammenhält, entwickelten sie zwei neue Wege, um die Stärke dieser Verbindungen zu messen. Sie fanden heraus, dass diese Messungen als zuverlässiger Kompass fungieren, um vorherzusagen, ob ein Kristall eine thermische Superautobahn oder eine thermische Sackgasse sein wird. Mit dieser Erkenntnis trainierten sie ein hochentwickeltes Computermodell, um fast 200.000 bekannte Kristallstrukturen zu scannen. Die Suche war erfolgreich: Das Modell identifizierte Dutzende neuer Materialien, die dynamisch stabil sind und extreme thermische Eigenschaften besitzen, darunter einige, die Wärme weniger als 2 Watt pro Meter-Kelvin leiten, und andere, die über 100 Watt pro Meter-Kelvin leiten. Diese Arbeit bietet einen schnellen, zuverlässigen Pfad zur Entdeckung der nächsten Generation von Materialien für das Wärmemanagement, von besseren Isolatoren bis hin zu effizienteren Energiewandlern.

Die Reise begann mit der Erkenntnis, dass die alten Methoden des Ratens des thermischen Verhaltens an eine Grenze stießen. Seit Jahrzehnten verlassen sich Wissenschaftler auf Faktoren wie das durchschnittliche Gewicht der Atome in einem Material oder die allgemeine Einfachheit seiner Struktur, um abzuschätzen, wie gut es Wärme leitet. Während diese Faktoren wichtig sind, scheitern sie oft daran, zwischen Materialien zu unterscheiden, die auf dem Papier ähnlich aussehen, sich in der Realität jedoch sehr unterschiedlich verhalten. Um dies zu lösen, wandten die Forscher ihre Aufmerksamkeit den chemischen Bindungen selbst zu. Sie konzentrierten sich auf zwei spezifische elektronische Signaturen: eine, die misst, wie viel Energie freigesetzt wird, wenn Atome eine Bindung eingehen, und eine weitere, die quantifiziert, wie kovalent, also geteilt, diese Bindung ist. Sie erkannten, dass sie, wenn sie diese Werte normalisieren würden – also anpassen würden, um die Anzahl der Atome und Bindungen im Kristall zu berücksichtigen –, einen universellen Maßstab für die Bindungsstärke schaffen könnten, der über Tausende verschiedener Materialien hinweg funktioniert.

Diese neuen Deskriptoren, die das Team als „normalisierte negative integrierte Kristallorbital-Hamilton-Population“ und „normalisierter integrierter Kristallorbital-Bindungsindex“ bezeichnet, erwiesen sich als unglaublich leistungsfähig. Als die Forscher diese Werte gegen die tatsächliche Wärmeleitfähigkeit von über 4.500 Materialien auftrugen, zeichnete sich ein klares Muster ab. Materialien mit hohen Werten auf diesen Skalen, was auf starke, tiefe elektronische Bindungen hindeutet, ließen Wärme konsistent frei fließen. Im Gegensatz dazu fingen Materialien mit niedrigen Werten, die auf schwache oder flache Bindungen hindeuten, die Wärme ein. Entscheidend war, dass dieser Zusammenhang auch dann Bestand hatte, wenn die Materialien die gleiche durchschnittliche Atommasse hatten – ein Faktor, auf den sich frühere Modelle stark gestützt hatten. Die neuen Deskriptoren offenbarten zudem einen direkten Zusammenhang dazu, wie sehr die Atome beim Erhitzen wackeln. Starke Bindungen hielten die Atome stabil, während schwache Bindungen sie dazu brachten, wild zu rütteln, eine Bewegung, die die Wärme streut und sie dadurch verlangsamt. Diese Verbindung lieferte eine physikalische Erklärung dafür, warum einige Materialien thermische Isolatoren und andere Leiter sind, verwurzelt direkt in der elektronischen Struktur der Atome.

Um diese Entdeckung in die Praxis umzusetzen, baute das Team ein neues Typ von KI-Modell namens „Crystal Attention Graph Neural Network“. Stellen Sie sich dieses Modell wie ein hochtrainiertes Auge vor, das die Anordnung der Atome in einem Kristall betrachten und sofort die Stärke der Bindungen „fühlen“ kann, die sie zusammenhalten, ohne die langsamen, teuren Computersimulationen durchführen zu müssen, die normalerweise Tage oder Wochen dauern. Die Forscher lehrten dieses Modell zunächst anhand der Daten aus den 4.500 bereits analysierten Materialien. Sobald das Modell die Beziehung zwischen der Kristallstruktur und den neuen Bindungsstärke-Deskriptoren gelernt hatte, ließen sie es auf eine riesige Datenbank mit fast 200.000 ungetesteten Kristallstrukturen los. Das Modell sagte schnell die Bindungsstärke für jede einzelne voraus und markierte die vielversprechendsten Kandidaten für extremes thermisches Verhalten.

Aus diesem massiven digitalen Durchlauf wählten die Forscher etwa 900 Materialien aus, die die extremsten Bindungsstärken aufwiesen – entweder sehr schwach oder sehr stark. Anschließend unterzogen sie diese Kandidaten einem strengen zweistufigen Verifizierungsprozess. Zuerst nutzten sie ein separates KI-Modell, um zu prüfen, ob die Kristalle stabil waren, also nicht auseinanderfallen oder sich durch Vibrationen selbst in Chaos versetzen würden. Etwa 80 Prozent der Kandidaten bestanden diesen ersten Stabilitätstest. Für die verbleibenden Kandidaten führte das Team detaillierte First-Principles-Berechnungen durch, den Goldstandard der computergestützten Physik, um deren Wärmeleitfähigkeit zu bestätigen. Die Ergebnisse waren beeindruckend. Das Modell hatte erfolgreich 106 stabile Materialien mit ultraniedriger Wärmeleitfähigkeit identifiziert, von denen 68 Prozent weniger als 2 Watt pro Meter-Kelvin leiteten. Am anderen Ende des Spektrums lieferte die Suche 13 stabile Materialien mit ultrahoher Wärmeleitfähigkeit, die alle über 100 Watt pro Meter-Kelvin liegen.

Die Studie stellte auch einige lang gehegte Überzeugungen infrage, die darüber existieren, was Materialien dazu bringt, Wärme zu blockieren. Frühere Forschungen hatten suggeriert, dass das Vorhandensein spezifischer „antibindender“ elektronischer Zustände der Hauptverantwortliche für eine niedrige Wärmeleitfähigkeit sei. Die neue Analyse zeigte jedoch, dass dies keine universelle Regel ist. Die Forscher fanden Materialien mit diesen antibindenden Zuständen, die dennoch Wärme gut leiteten, sowie Materialien ohne diese, die exzellente Isolatoren waren. Stattdessen erwiesen sich die neuen Bindungsstärke-Deskriptoren als der konsistente Prädiktor. Diese Unterscheidung ist entscheidend, da sie bedeutet, dass Wissenschaftler sich nicht mehr auf ein einzelnes elektronisches Merkmal verlassen können, um thermische Eigenschaften zu screenen; sie müssen die gesamte Stärke der chemischen Bindung betrachten.

Die Auswirkungen dieser Arbeit reichen weit über das Finden neuer Materialien hinaus. Indem sie eine klare Verbindung zwischen elektronischer Bindung und thermischem Transport herstellten, lieferten die Forscher eine Reihe intuitiver Prinzipien, die das Design zukünftiger Materialien leiten können. Das Team demonstrierte, dass ihr Ansatz für eine Vielzahl chemischer Familien funktioniert, einschließlich solcher mit schweren Elementen wie Blei und Wismut sowie leichterer Elemente wie Kohlenstoff und Bor. Die erfolgreiche Identifizierung spezifischer Verbindungen, wie etwa verschiedener Formen von Kohlenstoff, Bornitrid und komplexer Legierungen, die Alkalimetalle enthalten, beweist, dass die Methode robust ist. Diese Ergebnisse legen nahe, dass der Weg zur Entdeckung der nächsten Generation thermischer Materialien kein Spiel mit dem Glück oder ein langsamer Prozess von Versuch und Irrtum mehr ist, sondern eine gezielte Suche, die von der fundamentalen Physik der Art und Weise geleitet wird, wie Atome sich verbinden.