三维石墨烯泡沫（GF）因其较高的比表面积和优异的导热/导电性能，在柔性电子、热管理等领域展现出巨大潜力。然而，纯GF机械强度差、易断裂等特征限制了其实际应用。聚二甲基硅氧烷（PDMS）的引入可显著提升GF的力学性能，同时实验证明随着GF/PDMS复合物的压缩性能改善，其具有动态可调的热传导行为，但该行为的微观机理尚不明晰。传统分子动力学（MD）模拟受限于计算复杂度，难以捕捉复合材料在极端变形下的多尺度相互作用。
来自山东大学、田纳西大学、齐鲁工业大学（山东省科学院）的研究团队，应用了一种基于机器学习神经进化势（NEP）的模拟框架，结合随机接触算法与主动学习策略，实现了GF/PDMS复合材料在拉伸—压缩变形下的热—力耦合行为精准预测。
Fig. 2 | Potential training workflow.
他们成功模拟了石墨烯泡沫/聚二甲基硅氧烷（GF/PDMS）复合材料在形变（40%拉伸至50%压缩）下的热—力耦合行为。该研究重要结论如下：
1）NEP-4机器学习势，相比传统AIMD实现了3000万倍加速，在数十纳米尺度精准模拟GF/PDMS复合材料的极端变形行为（40%拉伸至50%压缩），为复杂复合材料建模树立新范式。
2）当PDMS掺杂率为5%时，复合材料展现最佳协同性能——热阻调制幅度达7.13倍（弹性变形区间内），同时提高了抗拉强度等力学性能，形成“力学强化不牺牲热调谐能力”的独特优势。
3）通过声子谱分析揭示，PDMS通过增强低频声子散射和界面热阻抑制热传导，而石墨烯层堆叠/分离是热导率动态调谐的关键。
作者得出的这些结论为开发新一代智能热管理材料和自供电传感网络系统提供了重要理论支撑。相关论文近期发布于npj Computational Materials11: 214 (2025)。
Machine learning-driven molecular dynamics decodes thermal tuning in graphene foam composites
https://doi.org/10.1038/s41524-025-01710-6
本文来自npj计算材料学，本文观点不代表石墨烯网立场，转载请联系原作者。
