在半导体和电介质材料中，热量的传导主要依靠声子（可以简单理解为晶格原子的振动波）。如果能让这些声子“迷路”甚至“堵车”， 或者困在某些局部区域内部“来回打转”，就能有效降低材料的热导率。这种思路对隔热防护、热电材料、节能设备等领域至关重要，但如何让声子“迷路”，并找到最有效的结构，是个较为复杂的研究问题。
Fig. 1 | A twist angle graphene model.
最近，来自中山大学陈科课题组的王敬文等人开展的一项研究中，为我们展示了“扭角工程+机器学习”的强大力量：他们在多层石墨烯的堆叠中，通过引入两个特定的扭角（0° 和约2.5°），并让层间的角度排列顺序错乱无序，成功让层间热导率降低了高达80%。这背后正是神奇的声子局域化（phonon localization）效应：声子因为界面无序产生复杂干涉，被部分“困”在局部区域，热量便难以通过。多层石墨烯的热导率之所以高，是因为声子可以几乎不受阻碍地在层与层之间穿行。而如果人为引入无序，比如层与层之间以不同角度扭转，就能让声子振动波不断碰到界面反射透射、并相互发生干涉，最终可能形成局域化的状态——就像一首合唱拆成很多个小合唱团，且各自关起门来唱，声音就传不远了。但问题来了：对于 14 层石墨烯，每层都可以是 0° 或2.5°，总共有16384 种堆叠方式。如果靠人工试验或计算去找最低热导率结构，耗时巨大，极难完成。
Fig. 2 |ML optimization results based on Bayesian optimization.
研究团队引入了两种机器学习算法：贝叶斯优化，像一个聪明的“寻宝者”，每次根据已知结果更新模型，快速锁定可能更好的结构；卷积神经网络（CNN），像一个擅长找规律的“图像识别专家”，从大量结构中学到哪些排列更能阻碍声子传导。两个算法最终都迅速找到了不同的最优无序结构，结果热导率都大幅下降，比完美对齐的石墨烯低了近 80%。更精彩的是，研究者还用分子动力学模拟与频谱分析，细致探究了为什么这些结构能有效阻碍声子：声子的传播频率集中在更低频段，并在更宽频率范围被压制；声子传输的统计分布显示出弱局域化特征(绝对局域化时的热导率为0)；适度无序最有效：无序太少或太多反而效果不好。
Fig. 3 | Phonon transmission, phonon histograms analysis.
虽然研究对象是石墨烯，但这套思路可推广到所有层状二维材料，如 MoS₂、黑磷等，对热管理、热电器件、量子材料设计都有启发。该文近期发表于npj Computational Materials 11,195(2025)
Machine learning revealed giant thermal conductivity reduction by strong phonon localization in two-angle disordered twisted multilayer graphene
https://doi.org/10.1038/s41524-025-01678-3
本文来自知社学术圈，本文观点不代表石墨烯网立场，转载请联系原作者。
