在柔性电子、可穿戴设备中，智能可调谐热管理材料的开发具有重要价值。化学气相法制备的三维石墨烯泡沫（GF）因其兼具石墨烯的本征热性能和宏观材料的可加工性，曾被视为优良的热管理材料。然而，纯GF在机械载荷下脆如薄冰，轻微变形就会引发结构崩塌，严重制约了其在动态热管理场景中的应用。为攻克这一难题，聚二甲基硅氧烷（PDMS）的引入确实让GF变得“刚柔并济”。但掺入PDMS后的GF/PDMS复合体系热力学行为是否被改变？其作为可调谐材料背后的微观机制又是如何？掺杂多少PDMS为好？回答好这些问题是推广该材料在动态热管理领域应用的关键。
近日，来自山东大学、田纳西大学、齐鲁工业大学（山东省科学院）的团队独辟蹊径，将机器学习工具引入材料模拟领域。他们采用基于机器学习的NEP-4框架，从大量结构中进行学习。该模型的运算速度比从头计算分子动力学快约3000万倍，同时也更能精准捕捉复合材料从40%拉伸至50%压缩过程中的细节。该研究发现，当PDMS含量为5%时，其分子链恰好形成连续网络，既能像“弹簧”般缓冲石墨烯层形变中的应力，又能动态调节热流路径，在弹性形变范围内热阻调制幅度可达7.13倍，与先前报道的实验测试热阻8倍调制相近。同时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。
Fig. 1 | Modeling structural features.
Fig. 2 | Potential training workflow. The process involves: (i) obtaining configurations through AIMD or MD; (ii) screening configurations that cannot be adequately described by the potential; (iii) training the potential function through active learning to achieve a comprehensive description of nearly all structural features of the system; (iv) conducting thermodynamic and mechanical property analyses
这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。该文近期发表于npj Computational Materials 11,214(2025)
Machine learning-driven molecular dynamics decodes thermal tuning in graphene foam compositese disordered twisted multilayer graphene
https://doi.org/10.1038/s41524-025-01710-6
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。
