Comparison of lattice thermal conductivity using <i>ab-initio</i> DFT, machine learning interatomic potentials, and temperature dependent effective potential: a case study of hexagonal BN and BP bilayer
Notice bibliographique
Résumé
Abstract Discovering high thermal conductivity materials is essential for various practical applications, particularly in electronic cooling. The significance of two-dimensional (2D) materials lies in their unique properties that emerge due to their reduced dimensionality, making them highly promising for a wide range of applications. Hexagonal boron nitride (BN), both monolayer and bilayer forms, has garnered attention for its fascinating properties. In this work, we focus on bilayer boron phosphide (BP), which is isostructural to its BN analogue. The lattice thermal conductivity of both bilayer BN and BP have been calculated using ab-initio density functional theory, machine learning with the moment tensor potential method, and the temperature-dependent effective-potential method (TDEP). The TDEP approach gives more accurate results for both BN and BP materials. The lattice thermal conductivity of bilayer BP is lower than that of bilayer BN at room temperature, attributed to increased phonon anharmonicity. This study highlights the importance of understanding phonon scattering mechanisms in determining the thermal conductivity of 2D materials, contributing to the broader understanding and potential applications of these materials in future technologies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».