【其他论文】利用机器学习势能揭示含缺陷 β-Ga₂O₃ 的热传导特性

        由吉林大学的研究团队在学术期刊 Physical Review Materials 发布了一篇名为Unveiling thermal transport properties of defective β−Ga₂O₃ through machine learning potentials（利用机器学习势能揭示含缺陷 β-Ga₂O₃ 的热传导特性）的文章。

摘要

        β−Ga₂O₃ 固有的低热导率给高功率和高频电子应用带来了重大挑战。当存在缺陷时，这一问题会变得更加严重，因为缺陷会进一步抑制散热、加剧自热效应并降低器件性能。在本研究中，我们基于深度神经网络模型开发了一种高效的机器学习势能（MLP），用于精确描述无瑕疵和点缺陷的 β−Ga₂O₃。通过平衡分子动力学（EMD）模拟，我们量化了本征点缺陷引起的热导率降低程度。结果表明，镓间隙原子产生的抑制作用最为显著，使热导率降低了 79.5 %。此外，镓相关缺陷通常比氧相关缺陷产生更显著的影响。这种现象源于弱键合镓原子的振动增强、声子非谐性增加，以及低频声子群速度的显著降低。这些结果从原子层面阐明了含缺陷 β−Ga₂O₃ 中的热传导机制，为热管理策略提供了指导，并建立了研究复杂半导体材料热物理特性的通用工作流程。

原文链接：

https://doi.org/10.1103/fdrt-2chf