Machine-learning-derived thermal conductivity of two-dimensional TiS2/MoS2 van der Waals heterostructures
Notice bibliographique
Résumé
Predicting the thermal conductivity of two-dimensional (2D) heterostructures is challenging and cannot be adequately resolved using conventional computational approaches. To address this challenge, we propose a new and efficient approach that combines first-principles density functional theory (DFT) calculations with a machine-learning interatomic potential (MLIP) methodology to determine the thermal conductivity of a novel 2D van der Waals TiS2/MoS2 heterostructure. We leverage the proposed approach to estimate the thermal conductivities of TiS2/MoS2 heterostructures as well as bilayer-TiS2 and bilayer-MoS2. A unique aspect of this approach is the combined implementation of the moment tensor potential for short-range (intralayer) interactions and the D3-dispersion correction scheme for long-range (interlayer) van der Waals interactions. This approach employs relatively inexpensive computational DFT-based datasets generated from ab initio molecular dynamics simulations to accurately describe the interatomic interactions in the bilayers. The thermal conductivities of the bilayers exhibit the following trend: bilayer-TiS2 > bilayer-MoS2 > the TiS2/MoS2 heterostructure. In addition, this work makes the case that the 2D bilayers exhibit considerably higher thermal conductivities than bulk graphite, a common battery anode material, indicating the potential to utilize 2D heterostructures in thermal management applications and energy storage devices. Furthermore, the MLIP-based methodology provides a reliable approach for estimating the thermal conductivity of bilayers and heterostructures.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».