Experimental and Computational Investigation of Thermal Conductivity in Porous Silicon: Doping-Dependent Performance of Molecular Dynamics and Physics- Informed Neural Networks

硅是现代电子设备的无声支柱，这种材料为从智能手机到太阳能电池板的一切设备提供动力。在固体晶体形态下，硅是极佳的导热体，但这往往成为工程师试图防止微型计算机芯片过热时面临的问题。然而，当硅被转化为一种充满微小孔洞的类海绵材料时，其导热能力会大幅下降。这种多孔硅变成了一种热绝缘体，这一特性使其在制造更高效的能量收集装置以及在需要的地方保持热量方面具有极高的价值。科学家们面临的挑战一直是精确预测这种材料的效果如何。答案取决于一系列复杂的因素：材料中有多少孔洞、这些孔洞有多大，以及硅原子是如何围绕这些孔洞排列的。由于其结构会根据制造方式的不同而产生巨大差异，简单的公式往往无法捕捉到全貌，导致工程师只能靠猜测而非计算。

来自基辅塔拉斯·舍甫琴科国立大学的研究团队通过在微观原子世界与宏观热流之间建立一座全面的桥梁，解决了这一不确定性。他们并没有仅仅依赖一种方法来解开这个谜题，而是结合了三种截然不同的途径：真实的实验、追踪单个原子的计算机模拟，以及一种旨在学习物理定律的新型人工智能。研究人员首先开始制作自己的多孔硅样品。他们采用标准的硅晶圆，利用带有电流的化学浴蚀刻掉部分材料，从而留下一种类海绵状的结构。通过仔细调节电流强度，他们可以控制孔洞的密度，从而创造出孔隙率在48%到75%之间的层级。为了观察他们所制造的成果，他们在强力显微镜下观察样本，发现孔洞形成了贯穿材料的清晰柱状结构，这种形状是他们所使用的重掺杂硅的典型特征。

为了测量这些材料的导热性能，团队使用了一种称为光声测量技术。他们将调制激光束照射在硅上，使表面快速升温和降温。这种有节奏的加热在样品上方的空气中产生了声波，灵敏的麦克风可以检测到这些声波。通过分析这些声波的强度和时序，研究人员可以在不接触样品的情况下计算出该多孔层的精确热导率。他们发现，热传输不仅取决于孔洞的数量，而且从根本上受控于硅晶圆的初始掺杂水平。掺杂水平决定了内部结构是形成随机的、海绵状的网络，还是形成更具组织性的、柱状的结构。这种结构差异意味着，即使孔隙率相同，根据起始材料的不同，也会导致完全不同的热行为。

为了理解这些测量背后的物理机制，研究人员转向了两种不同的计算模型。首先，他们使用了分子动力学模拟，这就像是原子运动和碰撞的高速电影。这种方法非常适合观察热量如何在微小的特定结构中传播，其中孔洞的边界会散射携带热量的振动（即声子）。模拟显示，对于重掺杂的柱状样本，这种原子级的散射是降低热流的主要因素。然而，这种方法对于模拟大型复杂网络来说速度太慢。为此，团队采用了物理信息神经网络（PINNs），这是一种通过学习热力学基本定律来求解热方程的人工智能形式。这种方法使他们能够模拟热量通过多孔海绵的复杂随机路径，捕捉热量如何在整个网络中流动，而不仅仅是极小的局部。

这些结合努力的结果揭示了一个清晰的图景，解释了为什么之前的研究有时会出现分歧。研究人员发现，热学性质是由原始硅晶体的载流子浓度决定的，而载流子浓度控制了孔隙的形状。在轻掺杂硅中，孔隙形成了一种随机的、迷宫般的结构，使得热量很难找到路径，从而导致导热率迅速下降。相比之下，重掺杂硅形成的柱状结构充当了“热高速公路”，尽管有很多孔洞，仍能让热量更容易移动。分子动力学模拟与这些柱状、重掺杂样本的行为相吻合，而神经网络模型则擅长预测轻掺杂下发现的随机海绵状结构的行为。通过将他们的实验数据与这些模拟及现有文献相结合，团队使用了一种称为符号回归的数学技术，推导出了一个统一的公式。该公式能够根据孔隙率和温度准确预测多孔硅的热导率，覆盖了从室温到900开尔文的广泛范围。

这项工作不仅仅是为工程师提供一个新的数值，它还通过展示“材料的历史”如何影响结果，解决了该领域长期存在的困惑。相同的孔隙率可能会因为材料生长方式的不同而产生不同的结果。该团队的混合方法将单个原子的运动与整个材料的热流联系起来，为设计更好的热绝缘和热电装置提供了可靠工具。他们最终的公式在广泛的温度和孔密度范围内均有效，无需针对每种新设计进行昂贵且耗时的实验即可实现精确预测。通过阐明结构与掺杂如何相互作用以控制热量，这项研究为下一代硅基技术奠定了坚实的基础，确保热量被精准地管理在需要的地方。