文献

J-GLOBAL ID：202202277414351406   整理番号：22A0685500

機械学習ポテンシャルと分子動力学を用いたシリコン中の粒界の構造と格子熱伝導率【JST・京大機械翻訳】

Structure and lattice thermal conductivity of grain boundaries in silicon by using machine learning potential and molecular dynamics

著者 (3件)： Fujii Susumu (Nanostructures Research Laboratory, Japan Fine Ceramics Center, Nagoya, 456-8587, Japan) ,  Fujii Susumu (Division of Materials and Manufacturing Science, Osaka University, Osaka, 565-0871, Japan) ,  Seko Atsuto (Department of Materials Science and Engineering, Kyoto University, Kyoto, 606-8501, Japan)
資料名： Computational Materials Science  (Computational Materials Science)
巻： 204  ページ： Null  発行年： 2022年 
JST資料番号： W0443A  ISSN： 0927-0256  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： シリコンでは,格子熱伝導率は熱電素子やマイクロエレクトロニクスデバイスのような広範囲の応用において重要な役割を果たす。多結晶シリコン中の結晶粒界(GBs)は格子熱伝導率を著しく低下させるが,GB原子構造の影響は解明されていない。本研究は,機械学習ポテンシャル(MLP)を用いたシリコン中のGB構造,GBエネルギーおよびGBフォノン特性の正確な予測を示した。その結果,MLPは,MLPが多様な構造をカバーする訓練データセットから開発されたという事実により,ロバストなGB構造探索を可能にすることを示した。大規模摂動分子動力学とフォノン波束シミュレーションを用いて4つのGB原子構造での格子熱伝導も調べた。これらの結果の比較は,GBにおけるフォノン透過挙動からではなく,GBsにおける非調和振動から熱伝導率のGB構造依存性が生じることを示した。シリコンの典型的な経験的ポテンシャルと比較したMLPの利点も徹底的に調査した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *結晶粒界 ,  シミュレーション ,  *熱伝導率 ,  *熱伝導 ,  フォノン ,  *ケイ素 ,  原子構造 ,  非調和振動 ,  *ポテンシャル ,  摂動 ,  *分子動力学 ,  ロバスト性 ,  *機械学習 ,  ポリシリコン
準シソーラス用語： *格子熱伝導率 , 【Automatic Indexing@JST】

著者キーワード (5件)： 機械学習の可能性 ,  結晶粒界 ,  分子動力学 ,  熱伝導 ,  シリコン

分類 (2件)： 比熱・熱伝導一般  (BL05021E) ,  炭素とその化合物  (YB02060D)

タイトルに関連する用語 (6件)： 機械学習 ,  ポテンシャル ,  分子動力学 ,  シリコン ,  粒界 ,  格子熱伝導率