2 boyutlu malzemelerin termal özelliklerinin makine öğrenmesi ile karakterizasyonu

Fonon etkileşimlerinin doğru bir şekilde tahmin edilmesi, yarıiletken ve yalıtkan malzemelerin termal taşınım simülasyonlarında önemli bir rol oynar. Kuvvet sabitlerinin yoğunluk fonksiyonel teorisi (DFT) ile hesaplanması üzerinden Boltzmann taşınım denkleminin (BTE) iteratif çözümü örgü termal taşınım özelliklerinin tahmini için en güvenilir yöntemlerden biridir. Ancak DFT'nin hesaplama maliyetlerinin yüksek olması sınırlayıcı bir etken olmuştur. Moleküler dinamik (MD) simülasyonları bu duruma bir alternatif olsa da klasik kuvvet alanlarının katı fonksiyonel formu kuvvet hesaplamalarının doğruluğunu olumsuz etkilemektedir. Makine öğrenmesi (ML) teknikleri kullanılarak DFT ve MD simülasyonlarının pozitif yönleri bir araya getirilerek makul hesaplama maliyetleri ile yüksek doğrulukta gerçekçi simülasyonlar gerçekleştirilebilir. Bu amaç doğrultusunda Gaussian Yaklaşım Potansiyeli (GAP) kullanarak 2 boyutlu grafen, silisen ve h-XN (X = B, Al, Ga) için makine öğrenmesi tabanlı atomlar arası potansiyel ürettik. GAP'in doğruluğunu harmonik ve anharmonik kuvvet sabitlerinin göstergesi olan fonon dağılım eğrileri ve örgü termal iletkenliği üzerinden DFT ile kıyaslayarak test ettik. Ek olarak, anharmonik kuvvet sabitlerinin hesaplama maliyetlerini düşürmek için yazılmış olan HIPHIVE Python kütüphanesini kullanarak hem DFT hem GAP için kuvvet sabitleri ürettik. GAP, sadece akustik modları değil aynı zamanda optik modları da DFT doğruluğunda tahmin etmiştir.