《Physica E: Low-dimensional Systems and Nanostructures》于 2026 年发表了题为《Neuroevolution potential-driven accurate and efficient discovery of Graphene/GaN heterojunctions: From ballistic-diffusive transition to thermal conductivity enhancement》的论文，研究团队基于 GPUMD 构建 GaN/graphene 异质结 NEP 机器学习势模型，在接近 DFT 精度的基础上实现大尺度热输运模拟，系统揭示了石墨烯增强 GaN 面内热导率的微观声子机制，并定量捕捉了热输运从弹道区到扩散区的转变过程。
论文第一作者为贵州大学的唐代基，第二作者为贵州大学的刘玉涛，通讯作者为西安电子科技大学的邓成和贵州大学的 高廷红。该工作以二维 GaN 与 graphene 构成的范德华异质结为研究对象，围绕 “如何利用高精度机器学习势理解并提升 GaN 基二维器件热管理能力” 这一核心问题展开研究。
图1：GaN/graphene 异质结 NEP 数据集构建与结构空间覆盖
该工作首先从 Materials Project 获取六方 graphene 和 GaN 单胞，分别构建 4 × 4 × 1 graphene 超胞和 3 × 3 × 1 GaN 超胞，并通过垂直堆叠形成晶格失配约 3.12% 的 GaN/graphene 异质结。随后，研究者结合 AIMD、结构扰动、空位结构、尺度缩放结构和多种层状堆叠结构，构建出包含 3080 个训练构型和 770 个测试构型的数据集，用于训练面向 C、Ga、N 三元素体系的 NEP-4 势函数（图1）。
图2：NEP 模型训练收敛及能量、力、virial 的 DFT 精度验证
训练结果显示，该 NEP 模型在能量、力和 virial 上的 RMSE 分别为 10.22 meV/atom、203.25 meV/Å 和 60.55 meV/atom，测试集误差也保持在相近水平，说明模型能够较好复现 DFT 势能面（图2）。为进一步验证势函数可靠性，论文系统比较了 NEP 与 DFT 在能量-体积关系、径向分布函数和声子谱方面的结果。相比传统 Tersoff 势，NEP 能更准确描述 GaN、graphene 及其异质结在压缩和拉伸过程中的能量变化；在 300 K、600 K 和 900 K 下，NEP 计算得到的 RDF 与 AIMD 结果高度一致，能够同时复现 Ga–N、C–C 以及界面混合局域环境。
声子谱验证进一步表明，NEP 预测的 GaN 和 graphene 声子色散与 DFT 结果吻合较好，尤其在传统经验势容易出现偏差的光学声子区域仍保持较高准确性。这说明该机器学习势不仅能描述局域键合和界面范德华相互作用，也具备研究声子热输运所需的振动性质精度。
图3：GPUMD 驱动的 HNEMD 热导率计算与异质结导热增强
研究者进一步结合非平衡分子动力学 NEMD、均匀非平衡分子动力学 HNEMD 和谱热流 SHC 方法，对异质结热输运性质进行了多尺度分析。NEMD 模型尺寸超过 40 × 40 nm²，原子数超过 100000 个，用于检验 NEP 在大体系热流模拟中的稳定性；HNEMD 用于计算本征热导率；SHC 则将热导率分解到声子频率空间，从而分析不同频率声子对热输运的贡献，热导率相关计算均使用 GPUMD 完成。
热导率结果表明，单层 GaN 的面内热导率约为 5–6 W/m·K，而引入单层 graphene 后，GaN/graphene 异质结的面内热导率提高到约 150 W/m·K，显示出显著的面内导热增强（图3）。能带结构和 ELF 分析进一步表明，该异质结中 graphene 的 Dirac 态得以保留，界面主要表现为范德华相互作用，因此热导率提升主要来源于声子贡献，而不是电子-声子耦合作用。
图4：谱热流、声子平均自由程与弹道-扩散转变机制
论文进一步揭示了热导率增强的微观原因。SHC 分析表明，低频声学声子对热导率贡献最为显著，其平均自由程可达到微米量级。随着体系长度增加，热导率逐渐趋于饱和，并在约 1 微米附近进入扩散极限，体现出从弹道输运到扩散输运的转变。SED 和声子寿命分析进一步显示，graphene 引入了 GaN 中原本缺失的高频声子通道，并通过界面声子杂化拓宽了可参与传热的声子频段（图4）。
利用GPUMD与NEP程序，结合NEMD，HNEMD与 SHC 方法，研究证明机器学习势不仅能够以接近 DFT 的精度描述复杂二维异质结的界面相互作用，还能够支撑十万原子尺度、纳秒时间尺度的热输运模拟。对于 GaN 基纳米电子和光电子器件而言，构建 graphene/GaN 异质结可以显著改善局域热积累问题；对于计算材料研究而言，该工作也展示了 GPUMD+NEP 在二维异质结热管理材料发现、声子机制解析和热导率预测中的应用潜力。
文章信息：
DaiJi Tang, YuTao Liu, Han Song, Cheng Deng, Mengyuan Liu, TingHong Gao, Yongchao Liang, Qingquan Xiao, and Yunjun Ruan, Neuroevolution potential-driven accurate and efficient discovery of Graphene/GaN heterojunctions: From ballistic-diffusive transition to thermal conductivity enhancement, Physica E: Low-dimensional Systems and Nanostructures, 175, 116363 (2026).
文章链接：https://doi.org/10.1016/j.physe.2025.116363
本文来自GPUMD与NEP，本文观点不代表石墨烯网立场，转载请联系原作者。
