Accelerating Discovery of Extreme Lattice Thermal Conductivity by Crystal Attention Graph Neural Network (CATGNN) Using Chemical Bonding Intuitive Descriptors
本文介绍了一种利用新型化学键描述符（归一化 -ICOHP 和 ICOBI）的晶体注意力图神经网络（CATGNN），用于快速筛选数十万种结构，成功识别出 100 多种具有极高晶格热导率的动态稳定化合物，以用于热管理和热电领域的应用。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
热量在固体材料中的传递方式通常是肉眼不可见的，但对于我们的技术运作方式而言却至关重要。在晶体中（即原子排列成完美、重复模式的固体），热量的传递并非以流体形式进行，而是通过原子本身的振动来实现。这些被称为“声子”的振动将能量从材料的一端传递到另一端。对于某些应用，例如为强大的计算机芯片或高速激光器降温，工程师需要能够让热量尽可能快地穿梭其中的材料。而对于其他任务，如保持热电发电机的效率或为建筑隔热，他们则需要能够捕捉热量的材料，将振动减缓至极慢的速度。挑战一直在于寻找具有这些极端特性的新材料。虽然科学家早已知晓重原子或弱键合倾向于减慢热量传递，而轻质、强键合倾向于加速热量传递，但这些规则往往过于模糊，无法精确预测特定新晶体的行为。
研究团队现在开发了一种更敏锐的方式来观察这些材料内部，超越了简单的经验法则，深入理解原子是如何“握手”的。通过分析将原子结合在一起的电子“胶水”，他们创造了两种衡量这些连接强度的新方法。他们发现，这些测量指标可以作为可靠的指南针，用以预测一个晶体是热量的“超级高速公路”还是热量的“死胡同”。利用这一洞察力，他们训练了一个复杂的计算机模型，对近 20 万种已知晶体结构进行了扫描。这次搜索取得了成功：该模型识别出了数十种动力学稳定且具有极端热性能的新材料，其中包括一些导热率低于 2 W/(m·K) 的材料，以及另一些导热率超过 100 W/(m·K) 的材料。这项工作为发现用于热管理（从更好的绝缘体到更高效的能量转换器）的下一代材料提供了一条快速、可靠的路径。
这段旅程始于这样一个认识：旧有的猜测热行为的方法正面临瓶颈。几十年来，科学家一直依赖于材料中原子的平均重量或结构的普遍简单性来估算其导热能力。虽然这些因素很重要，但它们往往无法区分那些在纸面上看起来相似但在现实中表现迥异的材料。为了解决这个问题，研究人员将注意力转向了化学键本身。他们专注于两个特定的电子特征：一个是衡量原子形成键时释放了多少能量，另一个是量化这种键的共价性（即共享程度）。他们意识到，如果对这些数值进行归一化处理——即根据晶体中的原子数量和键的数量进行调整——他们就可以创建一个适用于数千种不同材料的通用键强标尺。
这些被团队称为“归一化负集成晶体轨道哈密顿布居数”（normalized negative integrated crystal orbital Hamilton population）和“归一化集成晶体轨道键指数”（normalized integrated crystal orbital bond index）的新描述符，被证明极其强大。当研究人员将这些数值与 4,500 多种材料的实际热导率进行对比绘图时，一个清晰的模式显现了出来。在这些标尺上数值较高的材料（表明具有强而深的电子键）始终能让热量自由流动。相反，数值较低的材料（表明具有弱或浅的键）则会捕捉热量。至关重要的是，即使在材料平均原子质量相同的情况下，这种关系依然成立，而这正是以往模型严重依赖的因素。这些新描述符还揭示了原子在受热时如何“晃动”的直接联系：强键使原子保持稳定，而弱键则允许原子剧烈摇摆，这种运动会散射热量并减慢热量传递。这种联系提供了一个物理层面的解释，说明了为什么某些材料是热绝缘体而另一些是导体，其根源直接指向原子的电子结构。
为了将这一发现投入应用，团队构建了一种新型的人工智能模型，称为“晶体注意力图神经网络”（Crystal Attention Graph Neural Network）。可以将这个模型想象成一只经过高度训练的眼睛，它能够观察晶体中原子的排列，并瞬间“感知”到连接原子的键的强度，而无需运行通常需要耗时数天或数周的缓慢且昂贵的计算机模拟。研究人员首先利用已分析的 4,500 种材料的数据对该模型进行了训练。一旦模型学会了晶体结构与这些新键强描述符之间的关系，他们便将其释放到包含近 20 万种未测试晶体结构的庞大数据库中。模型迅速预测了每种材料的键强，并标记出了最具潜力的极端热行为候选材料。
从这次大规模数字扫描中，研究人员筛选出约 900 种表现出最极端键强的材料——无论是极弱还是极强。随后，他们对这些候选材料进行了严格的两步验证程序。首先，他们使用另一个 AI 模型来检查这些晶体是否稳定，即它们是否不会因结构崩溃或自身振动而陷入混乱。大约 80% 的候选材料通过了这项初步稳定性测试。对于剩余的材料，团队进行了详细的“第一性原理计算”（这是计算物理学的金标准），以确认其热导率。结果令人瞩目：该模型成功识别出 106 种具有超低热导率的稳定材料，其中 68% 的材料导热率低于 2 W/(m·K)。在另一端，搜索也发现了 13 种具有超高热导率的稳定材料，其导热率均超过 100 W/(m·K)。
该研究还挑战了一些关于导致材料阻挡热量原因的长期观点。此前的研究曾认为，特定“反键”电子态的存在是导致低热导率的主要原因。然而，新的分析表明，这并非普遍规律。研究人员发现，有些具有这些反键态的材料仍然能很好地导热，而有些没有这些态的材料却是优秀的绝缘体。相反，新的键强描述符才是更一致的预测指标。这种区别至关重要，因为它意味着科学家不能再仅仅依靠单一的电子特征来筛选热性能；他们必须观察整体的化学键合强度。
这项工作的意义不仅在于发现新材料。通过建立电子键合与热传输之间的明确联系，研究人员提供了一套可以指导未来材料设计的直观原则。团队展示了该方法适用于广泛的化学家族，包括含有铅、铋等重元素以及碳、硼等轻元素的材料。通过成功识别特定化合物（如各种形式的碳、氮化硼以及含有碱金属的复杂合金），证明了该方法的稳健性。这些发现表明，发现下一代热管理材料的道路不再是靠运气或缓慢的试错过程，而是由原子如何连接这一基本物理学所引导的有针对性的搜索。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。