CN120108552B - 铁酸铋薄膜中铁电畴调控热导率的模拟方法、系统及介质 - Google Patents

铁酸铋薄膜中铁电畴调控热导率的模拟方法、系统及介质

Info

Publication number
CN120108552B
CN120108552B CN202510592389.1A CN202510592389A CN120108552B CN 120108552 B CN120108552 B CN 120108552B CN 202510592389 A CN202510592389 A CN 202510592389A CN 120108552 B CN120108552 B CN 120108552B
Authority
CN
China
Prior art keywords
domain
bfo
preset
thermal conductivity
nep
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202510592389.1A
Other languages
English (en)
Other versions
CN120108552A (zh
Inventor
魏磊
李保亮
孙业志
董磊
张桂红
李顺
韩月
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Inspur Intelligent Terminal Co Ltd
Original Assignee
Inspur Intelligent Terminal Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Inspur Intelligent Terminal Co Ltd filed Critical Inspur Intelligent Terminal Co Ltd
Priority to CN202510592389.1A priority Critical patent/CN120108552B/zh
Publication of CN120108552A publication Critical patent/CN120108552A/zh
Application granted granted Critical
Publication of CN120108552B publication Critical patent/CN120108552B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种铁酸铋薄膜中铁电畴调控热导率的模拟方法、系统及介质，主要涉及铁酸铋薄膜技术领域，用以解决现有方案难以有效解析铁电畴壁原子构型与热输运特性的构效关系、铁电畴壁的热激活迁移过程涉及多物理场耦合效应，采用常规仿真手段难以实现精准的问题。包括：获得NEP势函数；计算每个预设温度下的单畴、双畴BFO分子模型之间的热开关比；获得热开关比随温度变化的理论最大值，获取理论最大值对应的具体温度；在具体温度下，获取BFO分子模型热开关比随预设畴壁数量变化的变化曲线，获得理论最大值对应的具体畴壁数量；将理论最大值对应的具体温度和具体畴壁数量作为最终的指导条件。

Description

铁酸铋薄膜中铁电畴调控热导率的模拟方法、系统及介质
技术领域
本申请涉及铁酸铋薄膜技术领域，尤其涉及一种铁酸铋薄膜中铁电畴调控热导率的模拟方法、系统及介质。
背景技术
铁酸铋薄膜（化学式BiFeO3简称BFO）作为典型钙钛矿型室温多铁性材料，具有铁电性且厚度在数十纳米至数微米，其内部存在不同自发极化的畴结构。铁电畴壁作为分割不同极化电畴的界面，在外电场作用下可以迅速移动、产生和擦除，可作为优良的声子散射界面，影响声子的输运过程，改变材料热导率。因此，BFO薄膜（BFO分子模型）可通过畴壁密度调制来实现热导率的动态可逆切换。通过铁电畴密度梯度设计与三维序构调控，可构建具备宽域连续调制能力与突破性热开关比的新一代智能热材料体系。
现有技术中，铁酸铋薄膜热开关材料的性能优化主要受限于两大技术瓶颈：其一，传统材料设计方法依赖于经验试错模式，难以有效解析铁电畴壁原子构型与热输运特性的构效关系；其二，现有分子动力学仿真方法受计算复杂度制约，在模拟纳米尺度多畴结构的热传导行为时，存在时间尺度受限（通常不足1ns）和空间分辨率不足（无法精确表征1-10nm畴壁结构）的缺陷。特别是在铁酸铋这类多铁性材料体系中，铁电畴壁的热激活迁移过程涉及多物理场耦合效应，采用常规仿真手段难以实现精准，严重制约了材料热开关性能的优化效率。
发明内容
本申请提供一种铁酸铋薄膜中铁电畴调控热导率的模拟方法、系统及介质，以解决传统材料设计方法依赖于经验试错模式，难以有效解析铁电畴壁原子构型与热输运特性的构效关系、铁电畴壁的热激活迁移过程涉及多物理场耦合效应，采用常规仿真手段难以实现精准的问题。
第一方面，本申请提供了一种铁酸铋薄膜中铁电畴调控热导率的模拟方法，方法包括：
建立不同超胞结构的BFO分子模型，进而利用AIMD技术对BFO分子模型分别进行正则系综和等温等压系综模拟，获得BFO在不同预设温度下的相空间数据，以作为初始训练集；
配置GPUMD软件的超参数，利用初始训练集使用GPUMD软件内嵌的NEP工具，训练神经演化势NEP，直至初始训练集能够描述所有预设目标MD场景，进而获得NEP势函数；
获取单畴、双畴BFO分子模型，基于NEP势函数，在GPUMD软件中对单畴、双畴BFO分子模型，在预设温度范围内模拟导热性质，获得各个预设温度下单畴状态热导率与双畴状态热导率，计算每个预设温度下的单畴、双畴BFO分子模型之间的热开关比；进而获得热开关比与温度变化的变化曲线，获得热开关比随温度变化的理论最大值，获取理论最大值对应的具体温度；
获取单畴、预设畴壁数量的BFO分子模型，在具体温度下，对预设畴壁数量的BFO分子模型进行等温等压系综和正则系综模拟，获得各预设畴壁数量与单畴BFO分子模型之间的热开关比；
获取BFO分子模型热开关比随预设畴壁数量变化的变化曲线，获得理论最大值对应的具体畴壁数量；
将理论最大值对应的具体温度和具体畴壁数量作为最终的指导条件。
在本申请的一种实现方式中，建立不同超胞结构的BFO分子模型，进而利用AIMD技术对BFO分子模型分别进行正则系综和等温等压系综模拟，获得BFO在不同预设温度下的相空间数据，以作为初始训练集，具体包括：
构建1×1×1 BFO晶胞，利用phonopy软件获得不同原子数量的超胞，分别在第一性原理计算程序中进行不同预设温度的AIMD模拟，获得初始训练集；其中，预设温度至少包括：100K、200K、300K、400K、500K和600K；
利用ASE的read函数读取3×3×3超胞的BFO model.xyz文件，并将读取的原子结构数据存储在结果文件中，使用ASE的write函数将结果文件中的原子结构数据保存为第一性原理程序可调用的格式，采用正态分布来随机生成原子位置的微扰量，调用System对象的生成结构文件命令将每个微扰体系保存为一个新的晶体结构，并添加至初始训练集中。
在本申请的一种实现方式中，利用初始训练集使用GPUMD软件内嵌的NEP工具，训练神经演化势NEP，直至初始训练集能够描述所有预设目标MD场景，进而获得NEP势函数，具体包括：
S0、对初始训练集中的结构在第一性原理程序中做单点能计算，获得能量和位力信息，进而获得收敛的第一训练数据，进而获得第一收敛训练集；
S1、利用第一收敛训练集训练神经演化势NEP，获得1-NEP函数；
S2、利用超胞原子BFO分子模型、1-NEP函数和预设条件信息，获得在100K-700K之间存在的相空间；
S3、使用最远点采样从相空间中挑选符合预设限制范围的BFO分子模型；
S4、对符合预设限制范围的BFO分子模型在第一性原理程序中做单点能计算，获得能量和位力信息，进而获得收敛的第二训练数据，进而将第二训练数据添加至第一收敛训练集，获得第二收敛训练集；
S5、利用第二收敛训练集训练神经演化势NEP，获得2-NEP函数；
S6、重复S2-S5，直至符合预设稳定条件，获得最终的NEP势函数。
在本申请的一种实现方式中，获取单畴、双畴BFO分子模型，基于NEP势函数，在GPUMD软件中对单畴、双畴BFO分子模型，在预设温度范围内模拟导热性质，获得各个预设温度下单畴状态热导率与双畴状态热导率，计算每个预设温度下的单畴、双畴BFO分子模型之间的热开关比，具体包括：
使用HNEMD进行仿真，按照预设温度间隔，获得若干预设温度，进而获得各个预设温度对应的单畴、双畴BFO分子模型的热导率；
通过公式：
，计算当前预设温度对应的单畴、双畴BFO分子模型之间的热开关比；
其中，表示单畴BFO分子模型的热导率，表示双畴BFO分子模型的热导率。
在本申请的一种实现方式中，获取单畴、预设畴壁数量的BFO分子模型，在具体温度下，对预设畴壁数量的BFO分子模型进行等温等压系综和正则系综模拟，获得各预设畴壁数量与单畴BFO分子模型之间的热开关比，具体包括：
在具体温度下进行HNEMD仿真计算；
用等温等压系综进行释放BFO分子模型中的应力；
使用正则系综进行分子动力学模拟，驱动因子沿y方向，每预设步输出一次单畴、预设畴壁数量的BFO分子模型的热导率；
通过单畴BFO分子模型的热导率比预设畴壁数量的BFO分子模型的热导率，计算具体温度对应的单畴、预设畴壁数量的BFO分子模型之间的热开关比。
第二方面，本申请提供了一种铁酸铋薄膜中铁电畴调控热导率的模拟系统，系统包括：
训练集获取模块，用于建立不同超胞结构的BFO分子模型，进而利用AIMD技术对BFO分子模型分别进行正则系综和等温等压系综模拟，获得BFO在不同预设温度下的相空间数据，以作为初始训练集；
函数获取模块，用于配置GPUMD软件的超参数，利用初始训练集使用GPUMD软件内嵌的NEP工具，训练神经演化势NEP，直至初始训练集能够描述所有预设目标MD场景，进而获得NEP势函数；
温度获取模块，用于获取单畴、双畴BFO分子模型，基于NEP势函数，在GPUMD软件中对单畴、双畴BFO分子模型，在预设温度范围内模拟导热性质，获得各个预设温度下单畴状态热导率与双畴状态热导率，计算每个预设温度下的单畴、双畴BFO分子模型之间的热开关比；进而获得热开关比与温度变化的变化曲线，获得热开关比随温度变化的理论最大值，获取理论最大值对应的具体温度；
畴壁数量获取模块，用于获取单畴、预设畴壁数量的BFO分子模型，在具体温度下，对预设畴壁数量的BFO分子模型进行等温等压系综和正则系综模拟，获得各预设畴壁数量与单畴BFO分子模型之间的热开关比；获取BFO分子模型热开关比随预设畴壁数量变化的变化曲线，获得理论最大值对应的具体畴壁数量；
指导模块，用于将理论最大值对应的具体温度和具体畴壁数量作为最终的指导条件。
在本申请的一种实现方式中，训练集获取模块包括训练集获取单元，
用于构建1×1×1 BFO晶胞，利用phonopy软件获得不同原子数量的超胞，分别在第一性原理计算程序中进行不同预设温度的AIMD模拟，获得初始训练集；其中，预设温度至少包括：100K、200K、300K、400K、500K和600K；
利用ASE的read函数读取3×3×3超胞的BFO model.xyz文件，并将读取的原子结构数据存储在结果文件中，使用ASE的write函数将结果文件中的原子结构数据保存为第一性原理程序可调用的格式，采用正态分布来随机生成原子位置的微扰量，调用System对象的生成结构文件命令将每个微扰体系保存为一个新的晶体结构，并添加至初始训练集中。
在本申请的一种实现方式中，温度获取模块包括温度获取单元，
用于使用HNEMD进行仿真，按照预设温度间隔，获得若干预设温度，进而获得各个预设温度对应的单畴、双畴BFO分子模型的热导率；
通过公式：
，计算当前预设温度对应的单畴、双畴BFO分子模型之间的热开关比；
其中，表示单畴BFO分子模型的热导率，表示双畴BFO分子模型的热导率。
在本申请的一种实现方式中，畴壁数量获取模块包括畴壁数量获取单元，
用于在具体温度下进行HNEMD仿真计算；
用等温等压系综进行释放BFO分子模型中的应力；
使用正则系综进行分子动力学模拟，驱动因子沿y方向，每预设步输出一次单畴、预设畴壁数量的BFO分子模型的热导率；
通过单畴BFO分子模型的热导率比预设畴壁数量的BFO分子模型的热导率，计算具体温度对应的单畴、预设畴壁数量的BFO分子模型之间的热开关比。
第三方面，本申请提供了一种非易失性计算机存储介质，其上存储有计算机指令，计算机指令在被执行时实现如上述任一项的一种铁酸铋薄膜中铁电畴调控热导率的模拟方法。
从以上技术方案可以看出，本申请具有以下优点：
1、实现了‌精准解析铁电畴壁原子构型与热输运的构效关系：‌
通过结合AIMD（从头算分子动力学）与第四代NEP（神经演化势）技术，实现了对BFO薄膜（BFO分子模型）铁电畴壁原子级构型的高精度建模，克服了传统经验势函数在描述复杂极化-晶格耦合效应时的精度不足问题，首次定量揭示了畴壁数量、分布与热导率的非线性关联规律。
2、实现了‌高效解决多物理场耦合的热激活迁移模拟难题：‌
利用GPUMD内嵌的NEP工具，在统一框架下实现了铁电畴极化翻转（电场响应）、晶格振动（热输运）、应力弛豫（机械形变）的多场耦合动态模拟，相比传统有限元方法计算效率提升了，且能捕捉畴壁迁移过程中亚皮秒级的瞬态热流涨落特性。
3、实现了‌指导高性能热开关材料的定向设计：‌
通过建立热开关比与温度、畴壁数量的理论变化曲线，明确了BFO分子模型热导率调控的最优工作温度区间（如理论最大值对应的具体温度）及临界畴壁密度阈值（如具体畴壁数量），为低功耗热管理器件的材料掺杂、畴工程策略提供了可量化的设计准则。
4、‌突破了传统试错模式的计算瓶颈：‌
采用超胞结构自适应生成与NEP势函数迭代训练相结合的方法，降低了全原子MD模拟的计算资源消耗，同时覆盖从单畴均质相到多畴异质相的跨尺度热输运行为预测，为复杂铁电材料的高通量虚拟筛选奠定基础。
附图说明
为了更清楚地说明本发明的技术方案，下面将对描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种铁酸铋薄膜中铁电畴调控热导率的模拟方法流程图。
图2是本申请实施例提供的一种铁酸铋薄膜中铁电畴调控热导率的模拟系统内部结构示意图。
图3是本申请实施例提供的一种BFO分子模型180°畴结构示意图。
图4为本申请实施例提供的BFO分子模型热开关比随温度变化的示意图。
图5为本申请实施例提供的BFO分子模型在300K下热开关比随畴壁数量变化的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本领域技术人员应当理解的是，下文所描述的实施例仅仅是本公开的优选实施例，并不表示本公开仅能通过该优选实施例实现，该优选实施例仅仅是用于解释本公开的技术原理，并非用于限制本公开的保护范围。基于本公开提供的优选实施例，本领域普通技术人员在没有付出创造性劳动的情况下所获得的其它所有实施例，仍应落入到本公开的保护范围之内。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
下面通过附图对本申请实施例提出的技术方案进行详细的说明。
实施例提供了一种铁酸铋薄膜中铁电畴调控热导率的模拟方法，如图1所示，本申请实施例提供的方法，主要包括以下步骤：
步骤110、建立不同超胞结构的BFO分子模型，进而利用AIMD技术对BFO分子模型分别进行正则系综和等温等压系综模拟，获得BFO在不同预设温度下的相空间数据，以作为初始训练集。
本步骤可以具体为：
构建1×1×1 BFO晶胞，利用phonopy软件获得不同原子数量的超胞，分别在第一性原理计算程序中进行不同预设温度的AIMD模拟，获得初始训练集；其中，预设温度至少包括：100K、200K、300K、400K、500K和600K；
利用ASE的read函数读取3×3×3超胞的BFO model.xyz文件，并将读取的原子结构数据存储在结果文件中，使用ASE的write函数将结果文件中的原子结构数据保存为第一性原理程序可调用的格式，采用正态分布来随机生成原子位置的微扰量，调用System对象的生成结构文件命令将每个微扰体系保存为一个新的晶体结构，并添加至初始训练集中。
进一步示例地，构建BFO晶胞，等效伪立方晶胞的晶格常数a=b=c=3.7893（通过将菱方结构转换为伪立方近似得到），利用phonopy软件包获得不同原子数量的超胞，分别在第一性原理计算程序包中进行不同温度的AIMD模拟，获得初始训练集。其中，AIMD模拟过程为：为遍历BFO模型（超胞）可能存在的相空间构型，分别在100K、200K、300K、400K、500K和600K下运行正则系综(NVT)，使用安德森恒温器(Andersen thermostat)运行10ps，间隔0.2ps取一个结构，共计获得初始训练集300个。利用ASE(AtomicSimulation Environment，原子模拟环境)的read函数读取3×3×3 超胞的BFO model.xyz文件，并将读取的原子结构数据存储在结果文件中，使用ASE的write函数将结果文件中的原子结构数据保存为第一性原理程序包可调用的格式，然后调用dpdata库中的System的perturb方法对结构进行微扰，指定微扰数量pert_num=3，晶格参数微扰幅度cell_pert_fraction=0.01-0.05，原子位置微扰的最大距离为0.1-0.5，atom_pert_style=“normal”即采用正态分布来随机生成原子位置的微扰量，然后调用System对象的生成结构文件命令将每个微扰体系保存为一个新的晶体结构文件，共计获得100个结构，添加至初始训练集中。
步骤120、配置GPUMD软件的超参数，利用初始训练集使用GPUMD软件内嵌的NEP工具，训练神经演化势NEP，直至初始训练集能够描述所有预设目标MD场景，进而获得NEP势函数。
需要说明的是，配置GPUMD软件的超参数的过程可以具体为：
在GPUMD(Graphics Processing Units Molecular Dynamics，图形处理器分子动力学)软件中选择合适的超参数，cut off径向和角度截断值选择8、6，神经元数量neuron选择为50，其他为默认值。使用GPUMD内嵌的NEP工具进行训练第四代NEP (neuroevolutionpotential，神经演化势)，并进行迭代、验证，即在GPUMD进行分子动力学模拟，利用最远点采样方法将GPUMD输出结果与训练集做对比，挑选MD结果中与训练集数据误差过大的结构做密度泛函理论(DFT)单点能计算加入到训练集，重新训练NEP，直到训练集能有效描述所有目标MD场景。即训练集能够覆盖目标场景的热力学/动力学关键区域，并且通过交叉验证、能量和力的误差分析、热力学性质的比较等评估NEP的可靠性，另外运行长时间MD模拟，检查其稳定性与物理合理性。最终获得可以精确描述BFO原子间相互作用力的NEP势函数。
其中，利用初始训练集使用GPUMD软件内嵌的NEP工具，训练神经演化势NEP，直至初始训练集能够描述所有预设目标MD场景，进而获得NEP势函数，具体可以为：
S0、对初始训练集中的结构在第一性原理程序中做单点能计算，获得能量和位力信息，进而获得收敛的第一训练数据，进而获得第一收敛训练集；
S1、利用第一收敛训练集训练神经演化势NEP，获得1-NEP函数；
S2、利用超胞原子BFO分子模型、1-NEP函数和预设条件信息，获得在100K-700K之间存在的相空间；
S3、使用最远点采样从相空间中挑选符合预设限制范围的BFO分子模型；
S4、对符合预设限制范围的BFO分子模型在第一性原理程序中做单点能计算，获得能量和位力信息，进而获得收敛的第二训练数据，进而将第二训练数据添加至第一收敛训练集，获得第二收敛训练集；
S5、利用第二收敛训练集训练神经演化势NEP，获得2-NEP函数；
S6、将2-NEP函数替换为1-NEP函数，重复S2-S5，直至符合预设稳定条件，获得最终的NEP势函数。
需要说明的是，S0为了确保NEP训练时能获取训练集中准确的能量和位力信息，对初始训练集中的数据在第一性原理程序中做单点能计算，为保证所有结构能量和力收敛到统一值，截断能ENCUT选择600，K点选择使用KSPACING=0.2，力的收敛标准为每个原子低于，能量收敛标准为。计算完毕后，使用bash脚本检查每个结构是否收敛，即使用find命令查找所有结果文件，根据NSW、NELM、实际迭代步数和是否出现“aborting loop because EDIFF is reached”来判断结构是否收敛，将收敛的结果文件使用wc -l统计其数量，N_count记录序号。然后对于每个收敛的结果文件，syst_numb_atom提取原子数量，latt提取晶格向量信息，ener提取总能量，viri_logi提取位力信息，ion_numb_arra和ion_symb_arra分别提取每种原子的数量和符号，然后使用paste命令将所有信息合并，并写入输出文件将收敛后的结构提出获得第一训练数据，未收敛的舍去。
S1可以为：将第一训练数据，在GPUMD软件包中选择合适的超参数训练NEP-4势函数。为确保势函数的准确性，可以选择cut off=8 6，神经元数量neuron=50，其他为默认值。训练结束得到1-NEP函数。训练趋于收敛的标志为系统的能量、力和应力信息随训练步数的增加趋于平缓。
S2-S5的过程可以为：利用1-NEP函数在GPUMD中进行分子动力学模拟探索超胞原子个数为135的BFO在100K-700K可能存在的相空间。先进行正则系综(NVT)，步长1fs，共计500ps，间隔1ps输出一个结构；再进行等温等压系综(NPT)，步长1fs，共计0.5ns，间隔10ps输出一个结构。得到输出文件dump.xyz后，使用最远点采样挑选结构，限制范围为min_distance=0.02。将挑选的结构使用与相同的参数文件进行DFT单点能计算，将计算完的结构（第二训练数据）添加至第一收敛训练集，获得第二收敛训练集，重新训练NEP-4得到2-NEP函数.
S6的过程可以为：重复S2-S5的迭代操作，直到超胞的BFO在等温等压系综NPT下稳定运行20ns，且训练集能完整描述BFO在同温度下20ns内的运动轨迹，此时的2-NEP函数为最终版，记为NEP势函数。
步骤130、获取单畴、双畴BFO分子模型，基于NEP势函数，在GPUMD软件中对单畴、双畴BFO分子模型，在预设温度范围内模拟导热性质，获得各个预设温度下单畴状态热导率与双畴状态热导率，计算每个预设温度下的单畴、双畴BFO分子模型之间的热开关比；进而获得热开关比与温度变化的变化曲线，获得热开关比随温度变化的理论最大值，获取理论最大值对应的具体温度。
其中，计算每个预设温度下的单畴、双畴BFO分子模型之间的热开关比的过程可以为：
使用HNEMD进行仿真，按照预设温度间隔，获得若干预设温度，进而获得各个预设温度对应的单畴、双畴BFO分子模型的热导率；
通过公式：，计算当前预设温度对应的单畴、双畴BFO分子模型之间的热开关比；其中，表示单畴BFO分子模型的热导率，表示双畴BFO分子模型的热导率。
进一步具体地，本步骤可以具体为：
利用Materials Studio构建不同畴结构的BFO分子模型模型：BFO的180°单畴结构（0DW）及包含一个平行畴壁的180°双畴结构（1DW），其中含一个畴壁的模型如图3所示。将两种结构分别沿x、y、z轴扩胞，共147000个原子。
使用HNEMD进行仿真，计算200K-500K之间两种畴结构的热导率，间隔50K。在GPUMD输入文件run.in的编辑中，先初始化晶格中所有原子速度，例如在200K下，设置velocity为200，后使用等温等压系综NPT进行释放结构中的应力，充分弛豫，直到结构收敛。然后使用正则系综NVT进行20ns的分子动力学模拟，驱动因子沿y方向，每1000步输出一次热导率平均的结果。为保证数据的准确性，减少误差，每个HNEMD分别独立模拟5次求平均。
使用HNEMD计算BFO分子模型热导率k的公式为，其中表示非平衡态下，方向上的热流密度在模拟时间内的系综平均，表示热导率张量，表示系统的温度，表示系统的体积，非平衡热通量是由外部驱动因子引起的。在python中利用GPUMD输出的数据进行拟合，最终得出两种BFO分子模型结构热导率随温度的变化。在origin中利用得到的热导率数据拟合热开关比随温度的变化曲线。如图4所示BFO分子模型热开关随温度的变化。最后计算得到，在300K下，180°畴壁BFO分子模型最大的热开关比。
步骤140、获取单畴、预设畴壁数量的BFO分子模型，在具体温度下，对预设畴壁数量的BFO分子模型进行等温等压系综和正则系综模拟，获得各预设畴壁数量与单畴BFO分子模型之间的热开关比；获取BFO分子模型热开关比随预设畴壁数量变化的变化曲线，获得理论最大值对应的具体畴壁数量。
在一些实施例中，获得各预设畴壁数量与单畴BFO分子模型之间的热开关比的计算过程可以为：
在具体温度下进行HNEMD仿真计算；
用等温等压系综进行释放BFO分子模型中的应力；
使用正则系综进行分子动力学模拟，驱动因子沿y方向，每预设步输出一次单畴、预设畴壁数量的BFO分子模型的热导率；
通过单畴BFO分子模型的热导率比预设畴壁数量的BFO分子模型的热导率，计算具体温度对应的单畴、预设畴壁数量的BFO分子模型之间的热开关比。
进一步具体地，本步骤可以具体为：
在Materials Studio中构建含有不同畴壁数量的BFO分子模型结构，角度为180°，五种畴壁数量分别为1、3、5、7、9，共计五个结构。
在300K下（假设300K为具体温度）进行HNEMD仿真计算。在GPUMD输入文件run.in的编辑中，初始化晶格中所有原子速度velocity为300，先使用等温等压系综NPT进行释放结构中的应力，充分弛豫，结构会收敛到一定尺寸。然后使用正则系综NVT进行20ns的分子动力学模拟，驱动因子沿y方向，每1000步输出一次热导率平均的结果。保证数据的准确性，减少误差，每个HNEMD分别独立模拟5次求平均。
在python中利用GPUMD输出的数据进行拟合，得出BFO分子模型畴结构热导率随畴壁数量的变化。如图5所示BFO分子模型热开关随畴壁的变化，在300K下，180°畴壁数量为9个时，BFO分子模型具有最大的热开关比。
步骤150、将理论最大值对应的具体温度和具体畴壁数量作为最终的指导条件。
进一步具体地，本步骤可以具体为：
得到BFO分子模型热开关比最大时的理论条件，例如，在300K（假设300K为具体温度）下，180°畴壁数量为9个时，BFO分子模型的热开关比达到最大值，λ=1.52。
除此之外，本申请图2为本申请实施例提供的一种铁酸铋薄膜中铁电畴调控热导率的模拟系统。如图2所示，本申请实施例提供的系统，主要包括：
训练集获取模块210，用于建立不同超胞结构的BFO分子模型，进而利用AIMD技术对BFO分子模型分别进行正则系综和等温等压系综模拟，获得BFO在不同预设温度下的相空间数据，以作为初始训练集。
训练集获取模块210包括训练集获取单元，
用于构建1×1×1 BFO晶胞，利用phonopy软件获得不同原子数量的超胞，分别在第一性原理计算程序中进行不同预设温度的AIMD模拟，获得初始训练集；其中，预设温度至少包括：100K、200K、300K、400K、500K和600K；
利用ASE的read函数读取3×3×3超胞的BFO model.xyz文件，并将读取的原子结构数据存储在结果文件中，使用ASE的write函数将结果文件中的原子结构数据保存为第一性原理程序可调用的格式，采用正态分布来随机生成原子位置的微扰量，调用System对象的生成结构文件命令将每个微扰体系保存为一个新的晶体结构，并添加至初始训练集中。
函数获取模块220，用于配置GPUMD软件的超参数，利用初始训练集使用GPUMD软件内嵌的NEP工具，训练神经演化势NEP，直至初始训练集能够描述所有预设目标MD场景，进而获得NEP势函数。
温度获取模块230，用于获取单畴、双畴BFO分子模型，基于NEP势函数，在GPUMD软件中对单畴、双畴BFO分子模型，在预设温度范围内模拟导热性质，获得各个预设温度下单畴状态热导率与双畴状态热导率，计算每个预设温度下的单畴、双畴BFO分子模型之间的热开关比；进而获得热开关比与温度变化的变化曲线，获得热开关比随温度变化的理论最大值，获取理论最大值对应的具体温度。
温度获取模块230包括温度获取单元，
用于使用HNEMD进行仿真，按照预设温度间隔，获得若干预设温度，进而获得各个预设温度对应的单畴、双畴BFO分子模型的热导率；
通过公式：
，计算当前预设温度对应的单畴、双畴BFO分子模型之间的热开关比；
其中，表示单畴BFO分子模型的热导率，表示双畴BFO分子模型的热导率。
畴壁数量获取模块240，用于获取单畴、预设畴壁数量的BFO分子模型，在具体温度下，对预设畴壁数量的BFO分子模型进行等温等压系综和正则系综模拟，获得各预设畴壁数量与单畴BFO分子模型之间的热开关比；获取BFO分子模型热开关比随预设畴壁数量变化的变化曲线，获得理论最大值对应的具体畴壁数量。
畴壁数量获取模块240包括畴壁数量获取单元，
用于在具体温度下进行HNEMD仿真计算；
用等温等压系综进行释放BFO分子模型中的应力；
使用正则系综进行分子动力学模拟，驱动因子沿y方向，每预设步输出一次单畴、预设畴壁数量的BFO分子模型的热导率；
通过单畴BFO分子模型的热导率比预设畴壁数量的BFO分子模型的热导率，计算具体温度对应的单畴、预设畴壁数量的BFO分子模型之间的热开关比。
指导模块250，用于将理论最大值对应的具体温度和具体畴壁数量作为最终的指导条件。
除此之外，本申请实施例还提供了一种非易失性计算机存储介质，其上存储有可执行指令，在该可执行指令被执行时，实现如上述的一种铁酸铋薄膜中铁电畴调控热导率的模拟方法。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种铁酸铋薄膜中铁电畴调控热导率的模拟方法，其特征在于，所述方法包括：
建立不同超胞结构的BFO分子模型，进而利用AIMD技术对BFO分子模型分别进行正则系综和等温等压系综模拟，获得BFO在不同预设温度下的相空间数据，以作为初始训练集；具体包括：
构建1×1×1 BFO晶胞，利用phonopy软件获得不同原子数量的超胞，分别在第一性原理计算程序中进行不同预设温度的AIMD模拟，获得初始训练集；其中，预设温度至少包括：100K、200K、300K、400K、500K和600K；利用ASE的read函数读取3×3×3超胞的BFOmodel.xyz文件，并将读取的原子结构数据存储在结果文件中，使用ASE的write函数将结果文件中的原子结构数据保存为第一性原理程序可调用的格式，采用正态分布来随机生成原子位置的微扰量，调用System对象的生成结构文件命令将每个微扰体系保存为一个新的晶体结构，并添加至初始训练集中；
配置GPUMD软件的超参数，利用初始训练集使用GPUMD软件内嵌的NEP工具，训练神经演化势NEP，直至初始训练集能够描述所有预设目标MD场景，进而获得NEP势函数；
获取单畴、双畴BFO分子模型，基于NEP势函数，在GPUMD软件中对单畴、双畴BFO分子模型，在预设温度范围内模拟导热性质，获得各个预设温度下单畴状态热导率与双畴状态热导率，计算每个预设温度下的单畴、双畴BFO分子模型之间的热开关比；进而获得热开关比与温度变化的变化曲线，获得热开关比随温度变化的理论最大值，获取理论最大值对应的具体温度；
获取单畴、预设畴壁数量的BFO分子模型，在具体温度下，对预设畴壁数量的BFO分子模型进行等温等压系综和正则系综模拟，获得各预设畴壁数量与单畴BFO分子模型之间的热开关比；获取BFO分子模型热开关比随预设畴壁数量变化的变化曲线，获得理论最大值对应的具体畴壁数量；
将理论最大值对应的具体温度和具体畴壁数量作为最终的指导条件。
2.根据权利要求1所述的铁酸铋薄膜中铁电畴调控热导率的模拟方法，其特征在于，利用初始训练集使用GPUMD软件内嵌的NEP工具，训练神经演化势NEP，直至初始训练集能够描述所有预设目标MD场景，进而获得NEP势函数，具体包括：
S0、对初始训练集中的结构在第一性原理程序中做单点能计算，获得能量和位力信息，进而获得收敛的第一训练数据，进而获得第一收敛训练集；
S1、利用第一收敛训练集训练神经演化势NEP，获得1-NEP函数；
S2、利用超胞原子BFO分子模型、1-NEP函数和预设条件信息，获得在100K-700K之间存在的相空间；
S3、使用最远点采样从相空间中挑选符合预设限制范围的BFO分子模型；
S4、对符合预设限制范围的BFO分子模型在第一性原理程序中做单点能计算，获得能量和位力信息，进而获得收敛的第二训练数据，进而将第二训练数据添加至第一收敛训练集，获得第二收敛训练集；
S5、利用第二收敛训练集训练神经演化势NEP，获得2-NEP函数；
S6、将2-NEP函数替换为1-NEP函数，重复S2-S5，直至符合预设稳定条件，获得最终的NEP势函数。
3.根据权利要求1所述的铁酸铋薄膜中铁电畴调控热导率的模拟方法，其特征在于，获取单畴、双畴BFO分子模型，基于NEP势函数，在GPUMD软件中对单畴、双畴BFO分子模型，在预设温度范围内模拟导热性质，获得各个预设温度下单畴状态热导率与双畴状态热导率，计算每个预设温度下的单畴、双畴BFO分子模型之间的热开关比，具体包括：
使用HNEMD进行仿真，按照预设温度间隔，获得若干预设温度，进而获得各个预设温度对应的单畴、双畴BFO分子模型的热导率；
通过公式：
，计算当前预设温度对应的单畴、双畴BFO分子模型之间的热开关比；
其中，表示单畴BFO分子模型的热导率，表示双畴BFO分子模型的热导率。
4.根据权利要求1所述的铁酸铋薄膜中铁电畴调控热导率的模拟方法，其特征在于，获取单畴、预设畴壁数量的BFO分子模型，在具体温度下，对预设畴壁数量的BFO分子模型进行等温等压系综和正则系综模拟，获得各预设畴壁数量与单畴BFO分子模型之间的热开关比，具体包括：
在具体温度下进行HNEMD仿真计算；
用等温等压系综进行释放BFO分子模型中的应力；
使用正则系综进行分子动力学模拟，驱动因子沿y方向，每预设步输出一次单畴、预设畴壁数量的BFO分子模型的热导率；
通过单畴BFO分子模型的热导率比预设畴壁数量的BFO分子模型的热导率，计算具体温度对应的单畴、预设畴壁数量的BFO分子模型之间的热开关比。
5.一种铁酸铋薄膜中铁电畴调控热导率的模拟系统，其特征在于，所述系统包括：
训练集获取模块，用于建立不同超胞结构的BFO分子模型，进而利用AIMD技术对BFO分子模型分别进行正则系综和等温等压系综模拟，获得BFO在不同预设温度下的相空间数据，以作为初始训练集；
训练集获取模块包括训练集获取单元，
用于构建1×1×1 BFO晶胞，利用phonopy软件获得不同原子数量的超胞，分别在第一性原理计算程序中进行不同预设温度的AIMD模拟，获得初始训练集；其中，预设温度至少包括：100K、200K、300K、400K、500K和600K；利用ASE的read函数读取3×3×3超胞的BFOmodel.xyz文件，并将读取的原子结构数据存储在结果文件中，使用ASE的write函数将结果文件中的原子结构数据保存为第一性原理程序可调用的格式，采用正态分布来随机生成原子位置的微扰量，调用System对象的生成结构文件命令将每个微扰体系保存为一个新的晶体结构，并添加至初始训练集中；
函数获取模块，用于配置GPUMD软件的超参数，利用初始训练集使用GPUMD软件内嵌的NEP工具，训练神经演化势NEP，直至初始训练集能够描述所有预设目标MD场景，进而获得NEP势函数；
温度获取模块，用于获取单畴、双畴BFO分子模型，基于NEP势函数，在GPUMD软件中对单畴、双畴BFO分子模型，在预设温度范围内模拟导热性质，获得各个预设温度下单畴状态热导率与双畴状态热导率，计算每个预设温度下的单畴、双畴BFO分子模型之间的热开关比；进而获得热开关比与温度变化的变化曲线，获得热开关比随温度变化的理论最大值，获取理论最大值对应的具体温度；
畴壁数量获取模块，用于获取单畴、预设畴壁数量的BFO分子模型，在具体温度下，对预设畴壁数量的BFO分子模型进行等温等压系综和正则系综模拟，获得各预设畴壁数量与单畴BFO分子模型之间的热开关比；获取BFO分子模型热开关比随预设畴壁数量变化的变化曲线，获得理论最大值对应的具体畴壁数量；
指导模块，用于将理论最大值对应的具体温度和具体畴壁数量作为最终的指导条件。
6.根据权利要求5所述的铁酸铋薄膜中铁电畴调控热导率的模拟系统，其特征在于，温度获取模块包括温度获取单元，
用于使用HNEMD进行仿真，按照预设温度间隔，获得若干预设温度，进而获得各个预设温度对应的单畴、双畴BFO分子模型的热导率；
通过公式：
，计算当前预设温度对应的单畴、双畴BFO分子模型之间的热开关比；
其中，表示单畴BFO分子模型的热导率，表示双畴BFO分子模型的热导率。
7.根据权利要求5所述的铁酸铋薄膜中铁电畴调控热导率的模拟系统，其特征在于，畴壁数量获取模块包括畴壁数量获取单元，
用于在具体温度下进行HNEMD仿真计算；
用等温等压系综进行释放BFO分子模型中的应力；
使用正则系综进行分子动力学模拟，驱动因子沿y方向，每预设步输出一次单畴、预设畴壁数量的BFO分子模型的热导率；
通过单畴BFO分子模型的热导率比预设畴壁数量的BFO分子模型的热导率，计算具体温度对应的单畴、预设畴壁数量的BFO分子模型之间的热开关比。
8.一种非易失性计算机存储介质，其特征在于，其上存储有计算机指令，所述计算机指令在被执行时实现如权利要求1-4任一项所述的一种铁酸铋薄膜中铁电畴调控热导率的模拟方法。
CN202510592389.1A 2025-05-09 2025-05-09 铁酸铋薄膜中铁电畴调控热导率的模拟方法、系统及介质 Active CN120108552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202510592389.1A CN120108552B (zh) 2025-05-09 2025-05-09 铁酸铋薄膜中铁电畴调控热导率的模拟方法、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202510592389.1A CN120108552B (zh) 2025-05-09 2025-05-09 铁酸铋薄膜中铁电畴调控热导率的模拟方法、系统及介质

Publications (2)

Publication Number Publication Date
CN120108552A CN120108552A (zh) 2025-06-06
CN120108552B true CN120108552B (zh) 2025-08-01

Family

ID=95879775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202510592389.1A Active CN120108552B (zh) 2025-05-09 2025-05-09 铁酸铋薄膜中铁电畴调控热导率的模拟方法、系统及介质

Country Status (1)

Country Link
CN (1) CN120108552B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118571372A (zh) * 2024-05-23 2024-08-30 兰州交通大学 通过温度-组分-辐照能量共同耦合作用下调控Cu-Ni合金声子热导率的计算方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9533544B2 (en) * 2014-10-21 2017-01-03 Atieva, Inc. EV multi-mode thermal management system
CN112307661B (zh) * 2020-10-30 2023-04-28 湘潭大学 超快电脉冲下氧化铪基铁电薄膜畴和畴壁运动的分析方法
US12266494B2 (en) * 2021-09-14 2025-04-01 Ohio State Innovation Foundation Electrically controlled solid-state thermal switch
CN114005875B (zh) * 2021-11-01 2024-05-28 南京大学 一种调控金属/绝缘体界面热导的方法
US20240153595A1 (en) * 2022-11-06 2024-05-09 Qpivolta Technologies Private Limited System and method for performing accelerated molecular dynamics computer simulations with uncertainty-aware neural network
CN118098451A (zh) * 2024-02-18 2024-05-28 西安电子科技大学 一种用于氧化铪基铁电薄膜畴翻转动力学的相场模拟方法
CN118641576A (zh) * 2024-06-20 2024-09-13 湘潭大学 同步表征材料微纳尺度热导率和电畴结构的系统和方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118571372A (zh) * 2024-05-23 2024-08-30 兰州交通大学 通过温度-组分-辐照能量共同耦合作用下调控Cu-Ni合金声子热导率的计算方法

Also Published As

Publication number Publication date
CN120108552A (zh) 2025-06-06

Similar Documents

Publication Publication Date Title
CN112489732B (zh) Md模拟中预测原子力和能量的图形变换器神经网络力场
Cheng et al. Novel implementation of homogenization method to predict effective properties of periodic materials
Higa et al. Stress and strain in silicon electrode models
Wu et al. Universal interatomic potential for perovskite oxides
JP2020534607A (ja) 量子コンピューティング・マシンのための高ハードウェア効率変分量子固有値ソルバを実現するためのシステム、方法、量子コンピューティング・デバイスおよびコンピュータ・プログラム
Tschukin et al. Concepts of modeling surface energy anisotropy in phase-field approaches
CN114675538B (zh) 核反应堆的自主控制方法、装置和计算机设备
KR102152774B1 (ko) 반도체 소자 시뮬레이션 시스템 및 이를 이용한 시뮬레이션 방법
Ma et al. Active learning of effective Hamiltonian for super-large-scale atomic structures
CN118983035A (zh) 热导率预测方法、装置、计算机设备和存储介质
CN114496012A (zh) 磁性斯格明子的磁场驱动方法
CN120108552B (zh) 铁酸铋薄膜中铁电畴调控热导率的模拟方法、系统及介质
Cui et al. Molecular dynamics simulation for phase transition of CsPbI3 perovskite with the Buckingham potential
CN113392591A (zh) 一种基于硅微结构分析的mems加速度计温漂误差估计方法
JPWO2014033888A1 (ja) 磁性体のシミュレーションプログラム、シミュレーション装置及びシミュレーション方法
CN118942597B (zh) 直流偏磁工况下的损耗确定方法、装置、计算机设备、可读存储介质和程序产品
CN119670519A (zh) 固-固界面结构全局优化方法及装置、设备及存储介质
CN118567363A (zh) 融合深度学习的无人艇模型预测控制方法和装置
Biswas et al. A two-state hysteresis model from high-dimensional friction
CN118522374A (zh) 基于非晶态结构筛选硫系相变存储材料的机器学习方法
Li et al. An efficient parallel-operational explicit algorithm for Taylor-type model of rate dependent crystal plasticity
Kiriakidis Nonlinear modeling by interpolation between linear dynamics and its application in control
Barmak et al. An entropy based theory of the grain boundary character distribution
Segala et al. Robust and dynamically consistent model order reduction for nonlinear dynamic systems
Ouyang et al. A Recursive System Identification With Non-Uniform Temporal Feedback Under Coprime Collaborative Sensing

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant