人工智能用于材料研究与热管理
石墨烯为探索低维材料中的热输运以及工程化碳基热管理材料提供了基础。其实际性能取决于声子输运、结构有序性和界面热阻。将这些机制与材料构型和器件架构相关联，推动了热表征、原子尺度模拟与人工智能（AI）的融合。
石墨烯基和石墨基组装体已成为热管理的多功能平台，可实现高效热扩散、热界面工程和热能存储[1]。例如，通过精确控制褶皱和层间堆叠，可以提升石墨烯热扩散薄膜的热性能。高度取向的石墨烯纤维和力学顺应性热界面材料（TIMs）分别促进高效的轴向和跨面热传导。这些凸显了结构取向、网络连通性和界面接触在调控热输运并最终决定器件级热管理性能中的关键作用。在能量转换与存储方面，一种自适应光热系统将类苔藓状石墨烯/聚多巴胺/MXene表面与相变储能基体相结合[2]。通过协调光子吸收、热传导、潜热存储和热损失抑制，实现高效的太阳能利用。导热相变复合材料将这一材料策略拓展至温度调节和热缓冲。
科学研究的AI将分析从材料结构扩展到原子相互作用。一系列神经演化势（NEPs）同时扩展了化学覆盖范围和可及的模拟尺度。NEP89覆盖元素周期表中的89种元素，支持无机和有机材料，并可通过微调进行适配[3]。稳定性、结构和热输运的独立验证对于可靠预测仍然至关重要。基于NEP的原子尺度模拟可达到包含数百万原子的器件级场效应晶体管（FETs）[4]，从而实现温度分布、局部热流和热应力的空间分辨预测。物理约束AI进一步实现了多功能控温材料的逆向设计。PHICS将有向无环图（DAG）中编码的多尺度物理关系与多目标优化相结合[5]。在石墨纤维/烷烃复合材料中，非晶氧化铝中间层在保持潜热存储的同时促进热传导和电绝缘。
未来的热管理材料应兼具高导热率和低接触电阻，同时具备力学顺应性、可规模化制备和器件可靠性。与此同时，将物理知识嵌入AI架构有望实现可解释的逆向设计，以及连接加工、结构、界面和性能的材料世界模型[6]。
致谢 本工作部分得到香港研究资助局的支持，特别是通过资助编号AoE/P-701/20、14206721、2151231和14203623。
精选参考文献：
[1] H. Zheng, P. He, S. Yang, G. Ding, Thermally conductive graphene-based films for high heat flux dissipation, Carbon, 233 (2025).
[2] H. Liang, D. Ding, H. Wang, T. Liang, C. Wong, P. Zhang, W. Liang, L. Ji, Q. Zhang, C. Song, T. Deng, R. Sun, J. Xu, Y. Chen, Self-Adaptive Solar-Thermal System With Moss-Like Surface for Efficient Energy Utilization, Advanced Materials, 38 (2026) e73376.
[3] T. Liang, K. Xu, E. Lindgren, Z. Chen, R. Zhao, J. Liu, E. Berger, B. Tang, B. Zhang, Y. Wang, K. Song, P. Ying, N. Xu, H. Dong, S. Chen, P. Erhart, Z. Fan, T. Ala-Nissila, J. Xu, NEP89: universal neuroevolution potential for inorganic and organic materials across 89 elements, Nature Computational Science, 6 (2026) 789-801.
[4] K. Xu, G. Wang, T. Liang, Y. Xiao, D. Ding, H. Guo, X. Gao, L. Tong, X. Wan, G. Zhang, J. Xu, Device-Scale Atomistic Simulations of Heat Transport in Advanced Field-Effect Transistors, arXiv, (2025) 2511.18915.
[5] D. Ding, M. Zou, R. Huang, T. Liang, H. Shi, K. Xu, C. Wong, Y. Chen, M. Han, L. Yu, G. Zhang, Y. Chen, Y. Yao, X. Zhang, Y. Zhou, C. Song, X. Zeng, Y. Peng, T. Deng, J. Xu, R. Sun, Multi-objective and cross-scale inverse design of temperature-control materials via physics-constrained machine learning, National Science Review, 13 (2026) nwag503.
[6] T. Lyu, J. Xiong, T.-Y. Zhang, Embedding science in AI for inverse materials design, National Science Review, (2026) nwag615.
