Predicting Interfacial Thermal Conductance and Thermal Conductivity across Multilayer TiS<sub>2</sub>/MoS<sub>2</sub> van der Waals Heterostructures Using Moment Tensor Potentials
Notice bibliographique
Résumé
Thermal conductivity calculations using classical molecular dynamics (MD) simulations are significantly influenced by the selection of accurate interatomic potentials. However, these interatomic potentials are not readily available for several novel two-dimensional (2D) materials and their heterostructures. Here, we propose a machine learning interatomic potential (MLIP) and D3-dispersion correction approach to determine the out-of-plane thermal conductivity and interfacial thermal conductance of multilayer TiS 2 /MoS 2 heterostructures. We employ an MLIP-based moment tensor potential (MTP) to characterize the intralayer interactions within layers, while the interlayer interactions are characterized using the D3-dispersion correction. This approach demonstrates greater accuracy compared with Lennard-Jones-based potentials for interlayer interactions. Furthermore, this work uses a simplified supercell of the TiS 2 /MoS 2 heterostructure and cost-effective ab initio molecular dynamics (AIMD) simulations with a duration of less than 1 ps. Additionally, this work investigates the effects of tuning the ratio of TiS 2 to MoS 2 layers on the interfacial thermal conductance and the overall out-of-plane thermal conductivity of the multilayer heterostructure. This MLIP-based methodology provides a reliable approach for estimating the thermal properties of multilayer 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 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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».