首页/文章/ 详情

Si笼形结构声子与热导率DFT计算

1月前浏览556

第一性原理;声子谱;晶格热导率;Si笼形结构;Phonopy

一、文章简要介绍

热电材料可将废热直接转化为电能,其性能由无量纲优值ZT决定,降低晶格热导率kappa_latt是提升ZT的关键途径。Si笼形(clathrate)结构是“声子玻璃-电子晶体”概念的典型代表:其开放的框架结构能大幅抑制热输运,同时保持半导体材料的电学性能,且Si元素廉价无毒、储量丰富。英国曼彻斯特大学Skelton团队在Molecules期刊上发表了系统性的第一性原理研究(DOI:10.3390/molecules27196431),利用VASP密度泛函理论结合Phonopy/Phono3py,全面计算了金刚石Si及五种框架结构的声子动力学与热输运性质。

该研究构建的六种结构分别为:金刚石Si(d-Si)、Type-II笼形(C-II)、oC24框架、Type-I笼形(K-II/C-I)、Type-VI笼形(K-V/C-VI)和Type-V笼形(K-VII/C-V)。采用PBEsol泛函、PAW赝势、500 eV截断能,所有结构均优化至力收敛10^{-2} eV/A。计算了完整声子色散、红外/拉曼光谱、热力学稳定性以及三阶力常数下的晶格热导率,并与实验数据进行了严格对比验证。

二、仿真步骤

第一步:结构优化。从Materials Project和ICSD数据库获取六种Si结构的初始构型,使用spglib进行对称性分析后,在VASP中进行全优化。采用PBEsol泛函描述电子交换关联能,PAW赝势处理Si的3s/3p价电子,截断能500 eV。能量收敛至10^{-8} eV,原子力收敛至10^{-2} eV/A,k点网格密度从金刚石Si的6x6x6到C-II的4x4x4不等。

第二步:声子谱计算。利用Phonopy通过有限位移法构建超胞(金刚石Si为3x3x3共216原子,oC24为4x4x2共384原子),计算二阶力常数Phi(2)。在规则q点网格上插值得到声子色散曲线和态密度曲线,Gaussian展宽0.064 THz。第三步:光谱模拟。使用DFPT方法计算Gamma点的Born有效电荷张量和极化率导数,分别得到红外活性和平均拉曼活性,生成模拟红外/拉曼光谱,峰宽由MBPT三声子自能虚部计算。

第四步:热导率计算。利用Phono3py计算三阶力常数Phi(3)(超胞位移步长3x10^{-2} A),在单模弛豫时间近似(SM-RTA)下计算声子线宽和晶格热导率kappa_latt。金刚石Si的q点网格为36x36x36,其他结构为9x9x9至16x16x16。第五步:定量分解。应用CRTA模型将kappa_latt分解为谐波项(群速度平方加权)和平均寿命项,定量归因各结构热导率差异的微观来源。

三、关键结果与发现

声子谱分析揭示,C-II结构的谱密度显著向低频偏移(图3累积曲线),其化学键明显弱于其他结构。红外与拉曼模拟光谱为实验物相鉴定提供了参考标准:金刚石Si仅有一个拉曼峰在508 cm^{-1}(与实验值520 cm^{-1}误差约2%),而C-II和K-II/C-I因原胞原子数多(102~138个),光谱特征丰富得多。

热力学分析表明五种框架结构均为亚稳相,相对金刚石Si的晶格能差从K-VII/C-V的6.82 kJ/mol/atom到C-II的32.6 kJ/mol/atom。声子熵对框架结构的稳定化贡献仅0.12~0.92 kJ/mol/atom,远不足以补偿晶格能差距。热导率计算呈现出清晰排序:金刚石Si(136.2) > oC24(40.9) ~ K-II/C-I(43.5) > K-V/C-VI(36.3) > K-VII/C-V(31.2) > C-II(6.33 W/m/K)。C-II的kappa_latt不到金刚石Si的5%——CRTA分解揭示其群速度项(0.46)和平均寿命(13.8 ps)均最低,弱化学键降低了声子群速度,强三声子散射缩短了寿命。金刚石Si的计算值与两组独立实验在150~1000 K范围内的平均误差仅8.5%,验证了方法的可靠性。

来源:320科技工作室
断裂化学半导体光学电子声学理论材料VASP
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2026-08-20
最近编辑:1月前
320科技工作室
硕士 | 结构工程师 微❤️ CAE320
获赞 243粉丝 447文章 503课程 0
点赞
收藏
作者推荐

让EIT看得更清:物理引导+扩散模型为电阻抗成像带来新突破

文献:A Data-Constrained and Physics-Guided Conditional Diffusion Model for Electrical Impedance Tomography Image Reconstruction,Sensors 2026, 26(5), 1728,DOI: 10.3390/s26051728。电阻抗成像(EIT)是一种“用电流看见内部结构”的成像技术:在物体边界布置电极,注入微小电流,采集电压响应,再反推出内部电导率分布。它无辐射、成本低、速度快,适合肺通气监测、乳腺筛查、工业两相流和柔性触觉传感等场景。但难点也很典型:EIT逆问题高度非线性、病态,测量噪声和电极接触变化都会让图像变糊、边界漂移、形状失真。这篇论文提出的 MS-CDM(Multi-Source Conditional Diffusion Model)把扩散模型引入EIT重建,并且不是只依赖单一输入,而是同时利用两类信息:一类是边界电压测量,负责把真实传感数据“拉回现场”;另一类是Gauss-Newton粗重建图像,作为物理先验,负责给生成过程提供结构锚点。方法亮点• 多源条件融合:把测量域的电压信号和图像域的物理先验统一编码,减少逆问题解空间的歧义。• 物理增强损失:训练目标同时考虑数据驱动的去噪精度和EIT前向物理一致性,让结果更符合真实测量。• Hybrid Swin-Mamba Denoising U-Net:浅层与中层用Swin Transformer捕捉局部边界和纹理,深层用双向Mamba建模全局拓扑结构。• DDIM快速采样:在保持重建质量的同时降低扩散采样步数,为实时传感应用留出空间。为什么这个组合有效?EIT图像重建最怕两件事:只有物理模型时,图像平滑、边界模糊;只有深度学习时,模型可能在复杂目标或噪声下“猜错形状”。MS-CDM的思路是让两条线互相补位:电压数据保证来源真实,物理先验保证结构不跑偏,扩散模型则通过逐步去噪恢复细节。实验怎么做作者基于EIDORS构建了5万组仿真样本,包含单目标、多目标、复杂凹形等不同拓扑;每帧使用16个边界电极,可得到208个独立边界电压测量。为贴近真实设备,还设置了UEF、KTC和自建系统三类激励协议,并加入从无噪声到10 dB的多级高斯噪声。评价指标包括相对误差RE、相关系数CC、结构相似性SSIM和Dice系数。结果一:仿真重建更准,复杂形状也不容易散在仿真数据集上,MS-CDM取得最低相对误差0.218±0.094、最高相关系数0.969±0.034、Dice系数0.956±0.041,整体优于传统TR、CNN、RAU-Net、DHU-Net和仅使用电压条件的CDEIT。更重要的是,它在多目标、心形、星形、月牙等复杂结构中仍能保持目标位置、边界连续性和形态一致性。结果二:噪声来了,也不是“一碰就碎”在40 dB到无噪声的高信噪比条件下,MS-CDM表现几乎一致;到20 dB时,Dice仍达到0.867±0.120,说明中等噪声下仍能可靠恢复结构。即使在10 dB强噪声条件下,模型虽然边界细节下降,但仍能保留基本定位能力,没有出现完全失效。结果三:真实水槽和跨系统数据上仍然稳论文进一步在UEF2017、KTC2023和自建水槽OUR2026三类真实EIT实验数据上验证。三套平台在硬件、激励协议、电极布局和噪声特性上差异明显,因而很适合考验模型的跨系统泛化能力。在UEF2017上,MS-CDM取得SSIM 0.908±0.027、Dice 0.872±0.062,边界更清晰、伪影更少。在KTC2023多系统数据上,MS-CDM相对误差降至0.351±0.095,CC达到0.932±0.031,在高噪声和系统差异条件下仍能保持较稳定的形状恢复。在自建水槽OUR2026数据上,MS-CDM相对误差为0.358±0.122,CC为0.915±0.057,SSIM为0.907±0.023,Dice为0.901±0.055,说明该方法不仅能在公开数据集上表现好,也具备走向实际实验平台的潜力。从论文到平台:更适合做“可比较、可验证”的EIT算法评估如果把这类算法落到工程平台中,关键不是只展示一张好看的重建图,而是要能统一训练、统一推理、统一评价不同网络。多网络架构EIT对比评估平台可以承担这个角色:在训练端配置网络、批大小和学习率;在测试端加载权重,比较原始电压、GN重建、真实标签和深度学习预测结果。一句话总结MS-CDM的价值在于:它没有把EIT重建简单交给“黑箱网络”,而是把真实边界电压、物理粗重建和生成式扩散过程放在同一个框架内协同工作。对EIT这种典型病态逆问题来说,这种“数据约束+物理先验+生成式逐步恢复”的路线,既提升了图像清晰度,也增强了噪声鲁棒性和跨系统适应能力。未来如果进一步加速采样、轻量化部署,并扩展到三维和动态EIT,它有望服务于床旁肺监测、工业过程检测和可穿戴传感等更多实时场景。技术服务支持围绕EIT图像重建与智能传感应用,我们也可以提供完整技术服务支持:包括MATLAB仿真建模、EIDORS有限元正问题与逆问题建模、不同电极/激励协议下的数据集构建,以及基于Python和PyTorch的网络训练、模型复现、指标评估与可视化对比。无论是论文方法复现、实验平台验证,还是面向具体应用场景的算法定制,都可以进一步开展合作。来源:320科技工作室

未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习计划 福利任务
下载APP
联系我们
帮助与反馈