База данных и масштабируемость глубокого обучения для ангармонических свойств фононов с помощью автоматизированных брутфорсных первичных расчетов

Почему теплопереносящие колебания важны

Любой твердый объект вокруг нас — от микросхем в смартфонах до теплоизоляции зданий — переносит тепло в основном через крошечные атомные колебания, называемые фононами. То, насколько легко эти колебания распространяются, определяет, подходит ли материал для охлаждения электроники, сохранения тепла в домах или преобразования тепловых потерь в электроэнергию. Тем не менее точное предсказание этого теплопереноса по атомной структуре материала традиционно было крайне трудоемким и медленным. В статье предложен новый подход, позволяющий автоматизировать такие прогнозы для тысяч кристаллов и затем использовать глубокое обучение для поиска в огромных пространствах возможных материалов тех, которые обладают исключительно высокой или низкой теплопроводностью.

Создание гигантской библиотеки колеблющихся кристаллов

Авторы разработали программную систему под названием auto-kappa, которая принимает структуру кристалла на вход и автоматически запускает длинную цепочку квантово-механических расчетов. Эти расчеты учитывают не только идеальные упругие колебания атомов, но и то, как колебания сталкиваются и рассеиваются в более реалистичной, «запутанной» форме. Из этого программное обеспечение извлекает подробные характеристики, такие как времена жизни фононов и вклад каждого колебания в перенос тепла. Запустив этот конвейер на суперкомпьютерах, команда собрала новую базу данных под названием Phonix, охватывающую ангармонические фононные свойства более чем 6500 неорганических кристаллов — от простых солей, таких как хлорид натрия, до сложных структур с более чем 100 атомами в элементарной ячейке.

Разнообразная карта теплопереноса в твердых телах

Имея эту базу данных, исследователи изучили, как варьируется теплопроводность среди различных материалов. Они обнаружили, что теплопроводность кристаллической решетки, та часть, которую переносят колебания атомной решетки, в целом уменьшается при росте объема на атом — проще говоря, более открытые структуры, как правило, хуже проводят тепло. База выявила широкий разброс: большинство материалов лежит в диапазоне примерно от 0,15 до 40 ватт на метр на кельвин при комнатной температуре, но некоторая доля достигает чрезвычайно высоких значений выше 200, а небольшая подгруппа — выше 500 или даже 1000. Многие из лучших проводников — это формы углерода и карбида кремния, тогда как большое число соединений демонстрируют очень низкую теплопроводность, что открывает богатые возможности для термоэлектрических или изоляционных применений.

Скрытые волновые вклады в теплоперенос

Тепло в кристаллах часто представляют как фононы, ведущие себя подобно молекулам газа, но на малых масштабах колебания могут вести себя скорее как накладывающиеся волны. База Phonix разделяет традиционный «частичный» (particle-like) вклад в перенос тепла и этот более волновой, или когерентный, вклад. Для большинства материалов, особенно хороших проводников тепла, доминирует традиционный частичный канал. Тем не менее авторы с удивлением обнаружили многие соединения, где когерентная часть значительна и в некоторых случаях сопоставима с частичной. Некоторые сложные формы карбида кремния с большим числом атомов и густо упакованными ветвями колебаний демонстрируют особенно крупный когерентный вклад. Это указывает на то, что волновой перенос тепла, часто игнорируемый в практических моделях, может быть важен даже в кристаллах с высокой проводимостью.

Обучение нейросетей чтению атомных чертежей

Чтобы уйти от дорогостоящих брутфорсных расчетов, команда обучила графовые нейронные сети, которые принимают атомную структуру кристалла и предсказывают его теплопроводность — включая то, как вклад накапливается по мере включения колебаний с разными средними длинами свободного пробега. Варьеруя размер обучающей выборки от нескольких сотен до нескольких тысяч материалов, они обнаружили четкий закон масштабирования: ошибки предсказания уменьшаются предсказуемым образом по мере добавления данных, подобно наблюдаемым трендам в больших языковых моделях. Вооружившись этими моделями, авторы отскринили сотни тысяч гипотетических кристаллов из базы DeepMind GNoME, а затем провели полные квантовые расчеты для подмножества наиболее перспективных кандидатов с исключительно высокой или низкой теплопроводностью.

Поиск экстремумов: суперпроводники и суперизоляторы

Скрининг выявил новые кандидаты на экстремумы теплопереноса. Некоторые богатые водородом соединения, содержащие очень тяжелые атомы, показали высокую теплопроводность, потому что их колебания четко разделяются на низкочастотные моды тяжелых атомов и высокочастотные моды легких атомов, что снижает разрушительное рассеяние. На противоположном конце спектра сложные структуры на основе цезия демонстрировали очень низкую теплопроводность: сильно перемешанные колебания, распределенные по многим атомам и частотам, способствуют сильному рассеянию и слабому теплопереносу. Хотя некоторые из этих кристаллов могут быть трудны для синтеза, общие структурные мотивы дают ценные подсказки для проектирования как высокопроводящих «тепловых магистралей», так и высокоcопротивляющих «тепловых стен».

Что это значит для будущих материалов

Проще говоря, эта работа дает два ключевых достижения: большую открытую библиотеку, фиксирующую то, как атомы в тысячах кристаллов действительно колеблются и сталкиваются, и набор моделей машинного обучения, которые могут «читать» эти атомные чертежи и прогнозировать, насколько хорошо материал переносит тепло. В совокупности они представляют мощное кратчайшее решение для поиска лучших распределителей тепла для электроники, улучшенных термоэлектриков для улавливания энергии и передовых материалов для технологий, где контроль тепла не менее важен, чем контроль электричества. По мере того как база данных растет и включает все более тонкие эффекты колебаний, эти инструменты готовы сделать поиск новых тепловых материалов быстрее, дешевле и намного более систематичным по сравнению с методом проб и ошибок.

Цитирование: Ohnishi, M., Deng, T., Torres, P. et al. Database and deep-learning scalability of anharmonic phonon properties by automated brute-force first-principles calculations. npj Comput Mater 12, 150 (2026). https://doi.org/10.1038/s41524-026-02033-w

Ключевые слова: теплопроводность кристаллической решетки, база фононов, ангармонические колебания, информатика материалов, графовые нейронные сети