通过自动化蛮力第一性原理计算实现非谐声子性质的数据库与深度学习可扩展性

为何携热振动重要

我们身边的每一件固体物体，从智能手机芯片到建筑保温材料，热量主要通过微小的原子振动——称为声子——传递。这些振动传播的容易程度决定了材料在散热、保温或将废热转化为电能方面的优劣。然而，从材料的原子结构准确预测这种热流一向既困难又耗时。本文提出了一种新方法，能自动化地对数千种晶体进行此类预测，然后利用深度学习在庞大的材料空间中搜索具有极高或极低热传导性的候选材料。

构建庞大的振动晶体库

作者们构建了一个名为 auto-kappa 的软件框架，该框架以晶体结构为输入，自动运行一系列量子力学计算。这些计算不仅解析了原子在理想弹性条件下的振动，还考虑了振动之间碰撞散射的更真实、“混乱”情形。由此，软件提取出详细性质，如声子寿命以及每种振动对热传输的贡献大小。借助超级计算机运行该流程，团队组建了一个名为 Phonix 的新数据库，覆盖了超过6500种无机晶体的非谐声子性质——从像氯化钠这样的简单盐类到单位晶胞中含有百余原子的复杂结构。

多样化的固体热传导地图

有了这个数据库，研究者们审视了不同材料间热传导的差异。他们发现晶格热导率——由晶格振动承载的那部分热流——总体上随着每原子体积的增加而下降——大致而言，更“开放”的结构往往导热更差。数据库展示了广泛的分布：大多数材料在室温下的热导率约在0.15到40瓦每米每开尔文之间，但少数材料超过200，一小部分甚至超过500或1000。许多优良导热材料是碳的多种形态和碳化硅，而大量化合物表现出相当低的热导率，为热电或绝热应用提供了丰富的可能性。

热流中的隐含波动贡献

通常人们把晶体中的热看作像气体分子一样的声子，但在小尺度上，振动也可以表现为相互重叠的波。Phonix 数据库将传统的“粒子状”热传输贡献与这种更像波的、相干的贡献分开。对于大多数材料，尤其是强导热体，传统的粒子通道占主导地位。然而令人意外的是，作者发现许多化合物的相干部分相当可观，在某些情况下与粒子部分相当。某些复杂的碳化硅形态，由于原子数多且振动谱分支密集，表现出特别大的相干贡献。这表明通常在实际建模中被忽略的波状热传输，即便在本来导热性很好的晶体中，也可能发挥重要作用。

教神经网络“阅读”原子蓝图

为摆脱代价高昂的蛮力计算，团队训练了基于图的神经网络，输入晶体的原子结构并预测其热导率——包括当不同平均自由程的振动被纳入时贡献如何积累。通过将训练集规模从数百种材料变化到数千种，他们发现了明确的尺度律：随着更多数据的加入，预测误差以可预测的方式缩小，这类似于大规模语言模型中观察到的趋势。借助这些训练好的模型，作者筛选了 DeepMind GNoME 数据库中数十万种假想晶体，然后对其中最有希望表现出极高或极低热传导性的候选者进行了完整的量子计算验证。

发现极端：超导热体与超绝热体

筛选工作发现了热传导极端的新候选材料。一些含有非常重原子的富氢化合物表现出高热导率，因为它们的振动谱能清楚分离为来自重原子的低频模与来自轻原子的高频模，从而减少了破坏性散射。相反，复杂的铯基结构显示出极低的热导率，其振动在许多原子和频率间高度混合，利于强烈散射和差的热流。尽管其中一些晶体可能难以合成，但它们共享的结构模式为设计既有高导热的“热高速公路”又有高阻热的“热墙”提供了有价值的线索。

这对未来材料意味着什么

用通俗的话说，这项工作带来了两项主要进展：一个大规模、公开可访问的库，记录了数千种晶体中原子实际如何振动与碰撞；以及一组可以“读取”这些原子蓝图以预测材料导热能力的机器学习模型。两者结合，为发现更好散热材料、改进热电材料以收集能量、以及在需要像控制电流一样控制热流的技术中开发先进材料，提供了强有力的捷径。随着数据库扩展并纳入更微妙的振动效应，这些工具有望使新热功能材料的搜索比凭经验试错更快、更便宜、更系统化。

引用: 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

关键词: 晶格热导率, 声子数据库, 非谐振动, 材料信息学, 图神经网络