纳米电子与纳米机械器件的散热能力，很大程度上取决于晶界这类微观缺陷如何散射声子，而传统经典力场因迁移性有限，常常无法准确刻画这类界面声子行为。葡萄牙国际伊比利亚纳米技术实验室联合巴塞罗那大学、加泰罗尼亚纳米科学与纳米技术研究所、奥维耶多大学的研究团队，构建了一套融合机器学习原子间势与晶格动力学计算的AI建模框架，系统研究了体硅与纳米晶硅中的声子输运。研究显示，相较Stillinger-Weber、Tersoff等经典势函数，机器学习原子间势对体相与界面声子输运都给出了更准确、内部自洽的描述，为纳米尺度热管理提供了更可靠的预测工具。

为什么经典力场难以准确刻画纳米尺度的声子输运？

在量子纳米机械谐振器等强受限结构中，热流常常表现出明显的涨落与非局域输运效应，声子散射、界面相互作用与热能交换会导致空间上高度不均匀的温度分布，直接影响器件的机械稳定性、耗散机制与量子相干性。从更宏观的输运视角看，随着器件尺寸不断逼近声子特征长度尺度，基于傅里叶定律的经典热传导描述逐渐失效，热输运越来越多地由声子散射、相干性损失与非平衡效应主导。晶体硅中的热量主要由声子承载，可在纳米结构与多晶硅中，晶界、表面与缺陷等内部界面会强烈扰乱声子传播，改变振动谱，限制声子平均自由程，从而形成以界面为主导的热输运区间。经典的Stillinger-Weber、Tersoff等解析势函数虽然能支撑大规模模拟，但其迁移性有限，容易在振动性质与界面声子散射的描述上产生系统性偏差，这正是研究团队引入机器学习原子间势的直接动因。事实上，理解纳米结构与多晶硅中的热输运，本质上离不开一套基于晶格动力学、并纳入声子-声子相互作用的框架，其数学基础可追溯至玻尔兹曼输运方程；而在这一框架中，热导率的精确程度，几乎完全取决于输入其中的声子群速度、模式相关寿命与非谐相互作用是否被准确刻画，一旦底层原子间相互作用的描述出现偏差，后续所有基于其推导出的声子性质都会随之失真，这也是研究团队将机器学习原子间势的精度问题，置于整套研究设计核心位置的原因。

机器学习原子间势如何统一描述硅的声子色散与寿命？

研究团队搭建的AI建模框架，结合了高斯近似势（Gaussian approximation potential）与多原子团簇展开（multi-atomic cluster expansion）两类机器学习原子间势模型，并将其与晶格动力学计算及分子动力学模拟相结合。从这些机器学习势中提取出的谐振与非谐力常数，被统一送入Phonopy与Phono3py构成的标准化工作流，用以计算声子色散关系、声子寿命以及晶格热导率，从而对硅的振动性质给出内部一致的整体刻画。这种"AI势函数+标准声子计算工具链"的组合方式，使得原本依赖昂贵第一性原理计算才能获得的精度，能够以远低得多的计算成本推广到更大规模、更复杂的纳米晶体系中。更重要的是，通过将高斯近似势与多原子团簇展开两类机器学习势并列使用，研究团队还能够交叉验证不同机器学习方法在同一体系上给出的声子性质是否相互一致，从而对整套建模流程的内部自洽性给出更有说服力的检验，而不是仅仅依赖单一模型的输出结果。这种内部一致的描述方式，是经典解析势函数由于其固定函数形式而天然难以实现的。

▲ 图1：FIG. 10: Schematic of the non-equilibrium molecular dynamics setup used to compu

单晶硅到纳米晶硅，热导率为何断崖式下降？

晶界在纳米晶硅中无处不在，是决定其热性能的核心因素之一。这些内部界面充当着有效的声子散射中心，破坏晶格周期性、改变振动谱、限制声子平均自由程，实验与计算研究均一致报告，室温下单晶硅的热导率约为148 W/m/K，而在晶粒尺寸约100纳米的纳米晶硅中，热导率会骤降至约10 W/m/K左右。这一显著下降，主要归因于晶界处增强的声子散射，其对承载热量的声学模式影响尤为强烈。进一步的分析显示，晶界对声子的透过率呈现出明显的频率依赖性：在2至3太赫兹以下，晶界的声子透过率保持较高水平，但在3至4太赫兹以上，透过率会迅速下降，这意味着晶界对高频声子的散射作用远强于低频声子。这种频率依赖的散射规律，也解释了为何仅仅缩小晶粒尺寸就能带来如此显著的热导率下降：短波长、高频率的声学与光学声子模式恰恰是晶体中携带热量的重要载体，当晶粒尺寸缩小到与声子平均自由程相当的量级时，越来越多原本可以自由传播的高频声子会在晶界处被强烈散射甚至完全阻断，宏观热导率也就随之被大幅压低，这正是纳米晶材料相较单晶材料呈现出截然不同热学行为的微观根源。

▲ 图2：FIG. S1: Schematic of the bulk silicon workflow for machine-learning potential t

晶界热边界阻抗如何用非平衡分子动力学直接测量？

除了通过声子色散与寿命间接推算热导率，研究团队还在纳米晶硅体系中直接开展非平衡分子动力学模拟，以定量给出晶界所贡献的热边界阻抗。结果显示，这一热边界阻抗对界面粗糙度以及底层原子间相互作用描述的选择都相当敏感——同一个晶界结构，若换用不同精度的原子间势来描述原子间作用力，得到的热阻抗数值也会随之明显变化。这一发现从实证角度说明，界面热输运的精确预测，不仅取决于对晶界几何构型本身的刻画，更高度依赖于原子间势能否准确再现界面区域原子的真实振动与散射行为，这也是机器学习原子间势相较经典势函数最具优势的场景之一。非平衡分子动力学方法的优势在于，它不依赖任何谐波或微扰近似，而是直接在模拟体系两端施加温度梯度，让热流自发建立，再从中反推出界面处的温度跳变与热阻抗，这种"直接测量"式的模拟方式，能够捕捉到高度无序、强非谐的真实晶界结构中可能出现的复杂散射行为，而这些行为往往很难被简化的解析理论模型完整覆盖，因此对底层原子间势的保真度要求也格外苛刻。

▲ 图3：FIG. S3: Schematic of the grain-boundary workflow.

下表汇总了该研究中涉及的关键体系、方法与数值结果：

AI原子势与经典Stillinger-Weber、Tersoff势相比谁更准？

研究团队将机器学习原子间势与传统的Stillinger-Weber、Tersoff经典解析势进行系统对比，结果表明，机器学习原子间势能够对体相与界面声子输运给出定量准确、且内部一致的描述，而经典势函数受限于其相对简单的函数形式与有限的迁移性，在振动性质与界面声子散射的刻画上更容易出现系统性偏差。这一对比结果的价值不仅在于证明机器学习原子间势"更准"，更在于它同时保留了经典势函数计算效率高、适合大规模模拟的优势，使研究团队能够在保持第一性原理级别精度的同时，把模拟规模扩展到包含大量晶界的真实纳米晶结构，这是传统第一性原理方法难以负担的计算量级。这一"精度与效率兼得"的特性，对纳米晶材料这类天然需要大规模原胞、大量晶界才能真实反映微观结构的体系而言尤为重要：经典势函数虽然计算便宜，却常常在界面区域给出失真的振动谱；而未经加速的第一性原理方法虽然精确，却因计算量过大而难以处理包含成百上千个晶界的真实纳米晶结构。机器学习原子间势恰好填补了这一中间地带，让研究团队能够在合理的计算资源下，对更贴近真实材料形貌的体系开展系统性研究。

这项研究对纳米电子与量子器件的热管理意味着什么？

这套融合机器学习原子间势与晶格动力学、分子动力学的建模框架，为低维材料中纳米尺度热输运的预测性建模提供了一条兼具精度与效率的新路径。对于下一代电子器件与纳米机械谐振器而言，晶界与界面无序对散热能力的限制是决定器件能否稳定工作的关键瓶颈，而这项工作展示的AI势函数方法，使研究者能够更准确地预测不同晶粒尺寸、不同界面结构下的热导率与热边界阻抗，为器件热管理设计提供定量指导。这一方法论也具备向其他材料体系推广的潜力，有望成为未来纳米尺度热输运研究中连接原子尺度精度与器件尺度模拟的重要桥梁。随着量子纳米机械谐振器、高密度集成电路等器件对散热能力的要求日益苛刻，能够以接近第一性原理精度、又不牺牲计算规模的AI原子间势方法，或将逐步取代经典解析势函数，成为纳米尺度材料热输运模拟中的新基准工具。

arXiv 链接：https://arxiv.org/abs/2607.06470论文标题：Phonon-Mediated Thermal Transport in Nanocrystalline Silicon Using Machine-Learning Interatomic Potentials作者：Houssem Rezgui、Catalina Coll Benejam、Clivia M. Sotomayor Torres、Miguel Pruneda机构：国际伊比利亚纳米技术实验室（葡萄牙）、巴塞罗那大学、加泰罗尼亚纳米科学与纳米技术研究所