近日，厦门大学吴建洋教授和张志森副教授团队将机器学习应用到多晶石墨烯材料设计中，深入揭示了多晶梯度石墨烯材料中复杂的、隐藏的结构-界面热输运之间关系。相关结果以“Gradient Nano-grained Graphene as 2D Thermal Rectifier: A Molecular Dynamics based Machine Learning Study”为题发表在Applied Physics Letters上。论文第一作者为厦大物理系博士生徐克。

金属中的晶粒梯度分布往往为其引入意想不到的物理性质。本文在低维材料石墨烯中引入梯度结构并分析其热学性质。初步结果表明，多晶梯度石墨烯的热导率主要由平均晶粒尺寸决定，而其热整流因子随纳米晶粒的梯度呈线性变化。由于梯度结构的复杂性，我们引入机器学习方法估计多晶梯度石墨烯的热传输特性，结果强调了5|7环缺陷在石墨烯平面热传输中的关键作用，并表明用于热流控制和能量收集的高性能二维热整流器可以通过仿生梯度结构工程实现。

研究团队使用非平衡态方法研究了由相场晶体法建立的多晶梯度石墨烯的热学性质。通过热阻的欧姆定律将结构细分为多个界面并分别求解界面热导/热阻系数。并且可以得到，界面热导/热阻与5|7环缺陷的数目呈现一定相关性。因此我们使用机器学习的方法对此进行分析和预测。进一步分析表明，5|7缺陷的位置、数量和取向是影响多晶梯度石墨烯热传递特性的重要内部因素。我们找到了两个与界面内部相关的描述符，包括界面位置信息和5|7缺陷的数量和方向。根据分子动力学的结果，共采集到6795个数据点，每个数据点的数据量与描述符的选取参数有关。随后我们使用深度神经网络对数据进行分析，并找到神经元数量和隐藏层的正确组合。最终，我们根据机器学习的结构，进一步得到多晶梯度石墨烯的热导率：

我们的结果证明纳米结构的热导率可以从隐藏的微观结构信息中得到。并有望为仿生材料的设计提供理论策略，创建一种利用机器学习预测候选材料的潜在方法，从而节省使用经典方法开发材料的大量费用。

图1. 使用机器学习方法研究多晶梯度石墨烯热输运性质的工作流程

致谢：我们感谢游超云的有益评论。感谢中国国家自然科学基金，江西省杰青，香港研究资助局，及中央高校基本科研业务费的资助。同时感谢厦门大学信息网络中心的计算机计时的支持。