Machine-Learned Atomic Cluster Expansion Potentials for Fast and Quantum-Accurate Thermal Simulations of Wurtzite AlN

要約

原子クラスター拡張 (ACE) フレームワークを使用して、ウルツ鉱窒化アルミニウムのフォノン輸送特性を高速かつ正確にモデル化するための機械学習原子間ポテンシャルを開発します。
密度汎関数理論 (DFT) に対する ACE ポテンシャルの予測力は、基底状態の格子パラメータ、比熱容量、熱膨張係数、体積弾性率、調和フォノン分散など、w-AlN の幅広い特性にわたって実証されています。
。
格子熱伝導率の検証は、ACE の予測値を DFT 計算および実験と比較することによってさらに実行され、非調和フォノン相互作用を十分に記述する際の ACE ポテンシャルの全体的な能力を示します。
実際の応用として、我々は、w-AlNの熱伝導率とフォノン特性に対する二軸ひずみの影響を解明するポテンシャルを使用した格子動力学解析を実行します。これは、w-AlNの接合近傍熱設計の重要な調整因子として特定されています。
-ベースのエレクトロニクス。

要約(オリジナル)

Using the atomic cluster expansion (ACE) framework, we develop a machine learning interatomic potential for fast and accurately modelling the phonon transport properties of wurtzite aluminum nitride. The predictive power of the ACE potential against density functional theory (DFT) is demonstrated across a broad range of properties of w-AlN, including ground-state lattice parameters, specific heat capacity, coefficients of thermal expansion, bulk modulus, and harmonic phonon dispersions. Validation of lattice thermal conductivity is further carried out by comparing the ACE-predicted values to the DFT calculations and experiments, exhibiting the overall capability of our ACE potential in sufficiently describing anharmonic phonon interactions. As a practical application, we perform a lattice dynamics analysis using the potential to unravel the effects of biaxial strains on thermal conductivity and phonon properties of w-AlN, which is identified as a significant tuning factor for near-junction thermal design of w-AlN-based electronics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google