基于机器学习势的二维Ⅲ族氮化物性质预测

摘要

二维Ⅲ族氮化物(h-BN、h-AlN、h-GaN与h-InN)因其类石墨烯结构、热稳定性及宽禁带特性，在电子与光电器件中具有重要潜力。传统的密度泛函理论(DFT)与经典分子动力学(MD)方法分别在计算精度与尺度有优势，但也限制了其在高精度的大尺度结构与性能研究中的应用。本文引入深度势能(DP)方法，构建了高精度机器学习势函数(MLP)，系统研究了二维Ⅲ族氮化物的晶格动力学、热力学、力学与热输运特性。深度势能对能量与原子力的预测接近GGA/PBE的精度，并准确重现了声子色散及0–1200 K范围内的热力学函数(自由能、热容、熵)。通过MD方法进行单轴拉伸模拟，揭示各材料的力学行为差异。h-BN刚性强且易脆断，h-AlN与h-GaN具有良好的强度和延展性，h-InN整体机械性能较弱。基于修正的非平衡分子动力学(NEMD)方法计算了材料热导率，发现h-BN与h-AlN表现出显著的长度依赖性，源于声子平均自由程较长。h-GaN与h-InN由于声子散射增强，热导率整体偏低。本研究结果表明，DP方法兼具GGA/PBE精度与大尺度模拟能力方面优势，不仅提升了对二维Ⅲ族氮化物结构性能的理解，也为其在材料设计和器件的应用提供了计算框架与理论依据。

关键词

Ⅲ族氮化物 / 机器学习势 / 深度势能 / 分子动力学 / 热导率