Machine-Learning-Based Thermal Conductivity Prediction in Two-Dimensional TiS2/MoS2 Van Der Waals Heterostructures
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Two-dimensional (2D) materials and heterostructures display unique thermal characteristics compared to their bulk counterparts. However, the accurate estimation of the thermal conductivity of 2D materials, particularly of 2D van der Waals heterostructures, presents significant challenges for both computational and experimental methods. In this study, we propose a computationally efficient approach to investigate the thermal conductivity of 2D TiS2/MoS2 van der Waals heterostructures. Our approach utilizes machine-learning interatomic potentials (MLIPs) to predict the thermal conductivity of the heterostructure. This approach effectively incorporates intralayer interactions by utilizing moment tensor potentials (MTP) trained with computationally inexpensive density functional theory (DFT)-based datasets. These datasets are generated from ab-initio molecular dynamics (AIMD) trajectories over less than 1 ps, while the interlayer van der Waals interactions are calibrated using the D3-dispersion correction method. By explicitly incorporating the missing dispersion contribution into the MTP, this method provides greater accuracy in predicting interlayer interactions than the widely applied Lennard-Jones (LJ) potential. Finally, molecular dynamics (MD) simulations are conducted to determine the thermal conductivity of the TiS2/MoS2 heterostructures using the derived potential parameters. This study enhances our understanding of thermal transport in van der Waals (vdW) heterostructures, leveraging MLIPs to explore new nanostructured materials with superior thermal conductivity.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,018 | 0,001 |
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 découle