بررسی رسانش حرارتی در نانولوله های کربنی آلاییده: رویکرد ترکیبی تفسیرپذیر از یادگیری ماشین و شبیه سازی دینامیک مولکولی

پیش بینی دقیق هدایت حرارتی (κ) در نانولوله های کربنی آلاییده (CNTs) برای مدیریت حرارتی پیشرفته در نانوالکترونیک حیاتی است. اگرچه شبیه سازی های دینامیک مولکولی (MD) بینش فیزیکی ارائه می دهند، اما برای غربالگری سریع از نظر محاسباتی پرهزینه هستند. در این مطالعه، یک چارچوب شبکه عصبی گرافی  (GNN) برای پیش بینی هدایت حرارتی نانولوله های کربنی آلاییده با نیتروژن تحت شرایط مختلف کرنش و آلایش ارائه می دهیم. مجموعه داده ای متشکل از ۵۰۰۰ پیکربندی با استفاده از شبیه سازی های MD و پتانسیل آریبو (AIREBO) تولید شده است که طیف وسیعی از کایرالیته ها، غلظت های آلایش نیتروژن (۰ تا ۵ درصد اتمی) و کرنش های کششی (۰ تا ۸ درصد) را پوشش می دهد. مدل GNN، مبتنی بر معماری MPNN، خطای جذر میانگین مربعات( RMSE)  برابر با ۰.۱۴ W/mK و ضریب تعیین R² برابر با ۰.۹۹ روی مجموعه آزمون به دست آورده است که نشان دهنده دقت بسیار بالای پیش بینی است. تحلیل تفسیرپذیری با استفاده از Grad-CAM نشان می دهد که اتم های نیتروژن و پیوندهای کربنی کشیده مجاور آن ها، مراکز اصلی پراکندگی فونون بوده و به طور قابل توجهی κ را کاهش می دهند. تحلیل حساسیت تایید می کند که غلظت آلایش و قطر لوله تاثیرگذارترین پارامترها هستند. چارچوب ترکیبی MD-GNN پیشنهادی، امکان پیش بینی سریع و تفسیرپذیر خواص حرارتی را فراهم می کند و ابزاری قدرتمند برای طراحی مواد حرارتی هوشمند و نانوحسگرهای مبتنی بر کرنش ارائه می دهد.

کلیدواژه ها:

. شبکه عصبی گرافی ، . هدایت حرارتی ، . نانولوله کربنی ، آلایش نیتروژن ، شبیه سازی دینامیک مولکولی