在二维热电与热管理设计中，如何在海量层状异质结构里快速找到“更低热导”的构型，一直是高通量计算的难点。近期发表于《Applied Thermal Engineering》的论文《Neural networks accelerate discovery of ultralow thermal conductivity configurations in disordered graphene/h-BN multilayers》中，研究团队把神经网络主动学习与 GPUMD 中的非平衡分子动力学（NEMD）结合，用极少代价从 6700 万种 gra/h-BN 随机多层结构里筛出了最低热导候选。需要说明的是，本文并未直接训练 NEP 势，但它非常直观地展示了 GPUMD 与机器学习协同探索大设计空间的能力，这类范式对 NEP 驱动的热输运筛选同样很有参考价值。
作者先用 300 个随机结构建立初始数据集，再由神经网络预测全部 2^26 个候选构型的热导率，并在每轮挑出 100 个最低预测值结构交给 GPUMD 做 NEMD 验证，不断扩充训练集。经过三步超参数优化后，模型测试集 MSE 降到 0.0008 W m^-1 K^-1，MAPE 为 3.8%；最终只评估了 1300 个构型，也就是全部设计空间的 0.0019%，却把等效暴力搜索的计算成本压缩了 51622 倍。
图1：神经网络主动学习 + GPUMD/NEMD 的超低热导搜索流程
最关键的结果是，优化得到的无序 graphene/h-BN 随机多层结构（GH-RML）在 300 K 下实现了 0.56 ± 0.02 W/mK 的超低跨面热导率，比人工随机搜索得到的最低值 0.77 W/mK 还低 27.2%，也明显低于周期超晶格的最低水平。这说明真正的优势不在“多算”，而在“快速预测 + 高效验证”的闭环。
图2：平均周期长度与最优无序构型，对应最低热导率 κ = 0.56 W/mK
最低热导并不出现在最规则的超晶格，而是出现在平均周期长度约 1.05 nm 的无序结构中；相比之下，周期超晶格的最低点出现在 2.8 nm。作者进一步用声子参与率（PPR）和无序度分析表明：适中的层厚无序（δ = 0.376）叠加较高的排布无序，最有利于打断相干声子传输、增强声子局域化，从而把热导率继续压低。
文章信息：
Qiao Chen, Dongyang Li, Bing Yang, Yunqing Tang*, Lin Li*. Neural networks accelerate discovery of ultralow thermal conductivity configurations in disordered graphene/h-BN multilayers. Applied Thermal Engineering 292 (2026) 130338.
文章链接：
https://doi.org/10.1016/j.applthermaleng.2026.130338
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。
