ترجمه فارسی مقاله پیش‌بینی‌های رسانایی حرارتی با مدل‌های اتمی بنیادی

چکیده

Advances in machine learning have led to the development of foundation models for atomistic materials chemistry, enabling quantum-accurate descriptions of interatomic forces across diverse compounds at reduced computational cost. Hitherto, these models have been benchmarked relying on descriptors based on atoms’ interaction energies or harmonic vibrations; their accuracy and efficiency in predicting observable and technologically relevant heat-conduction properties remains unknown. Here, we introduce a framework that leverages foundation models and the Wigner formulation of heat transport to overcome the major bottlenecks of current methods for designing heat-management materials: high cost, limited transferability, or lack of physics awareness. We present the standards needed to achieve first-principles accuracy in conductivity predictions through model’s fine-tuning, discussing benchmark metrics and precision/cost trade-offs. We apply our framework to a database of solids with diverse compositions and structures, demonstrating its potential to discover materials for next-gen technologies ranging from thermal insulation to neuromorphic computing.

چکیده به فارسی (ترجمه ماشینی)

پیشرفت در یادگیری ماشین منجر به توسعه مدلهای پایه برای شیمی مواد اتمی شده است و توضیحات دقیق کوانتومی نیروهای بین اتمی را در ترکیبات متنوع با کاهش هزینه محاسباتی فراهم می کند.تا کنون ، این مدل ها با تکیه بر توصیف کننده ها بر اساس انرژی تعامل اتم ها یا ارتعاشات هارمونیک معیار شده اند.صحت و کارآیی آنها در پیش بینی خاصیت تولید گرما قابل مشاهده و از نظر فنی ناشناخته است.در اینجا ، ما چارچوبی را معرفی می کنیم که از مدل های بنیادی و فرمولاسیون Wigner حمل و نقل حرارتی برای غلبه بر تنگناهای عمده روشهای فعلی برای طراحی مواد مدیریت گرما استفاده می کند: هزینه بالا ، قابلیت انتقال محدود یا عدم آگاهی فیزیک.ما استانداردهای مورد نیاز برای دستیابی به دقت اصول اول را در پیش بینی های هدایت از طریق تنظیم دقیق مدل ارائه می دهیم ، در مورد معیارهای معیار و معاملات دقیق/هزینه بحث می کنیم.ما چارچوب خود را در یک پایگاه داده از مواد جامد با ترکیبات و ساختارهای متنوع اعمال می کنیم ، و پتانسیل آن را برای کشف مواد برای فن آوری های نسل بعدی اعم از عایق حرارتی گرفته تا محاسبات عصبی نشان می دهیم.