多孔硅导热不再只靠单一模拟：重掺杂看分子动力学，轻掺杂交给物理约束神经网络
核心概要
多孔硅的有效热导率长期因孔隙形貌和衬底掺杂不同而分散，单一模型难以同时覆盖。研究把气体微音光声测量、原子尺度分子动力学与物理约束神经网络放在同一批48%至75%孔隙率样品上对照，发现分子动力学更贴合重掺杂柱状结构，神经网络更贴合轻、中掺杂的随机海绵状网络。再用符号回归把孔隙率与温度合成为一个解析式，在5%至85%孔隙率、300至900 K范围内训练集平均绝对百分比误差不超过6.5%。
深度剖析
多孔硅热导率的预测现在按衬底掺杂分成两条计算路线，而不是用一套模型解释所有孔隙结构。 此前有效介质近似和渗流模型给出孔隙率依赖的解析结果，但常把真实孔隙形貌简化，并忽略边界散射等纳米尺度声子输运效应。 在48%至75%孔隙率、约20 μm厚的电化学刻蚀p+型多孔硅层上，光声实验、分子动力学与神经网络结果同文献中p型、n型及部分p+型数据一并比较，分子动力学在孔隙率低于0.5时给出的热导率略低。
两条路线各自负责一种形貌：原子模拟抓住声子受限，连续介质网络抓住宏观渗流。 分子动力学用Green-Kubo方法从热流自相关函数算热导率，物理约束神经网络则把傅里叶定律和稳态热方程写进损失函数，从热导率分布图预测温度场与热流场。 分子动力学在12×12×12个硅晶胞、13824个原子的立方超胞中挖去一个球形孔，每个温度做十次独立运行取平均；神经网络在128×128矩阵上训练，每个温度用16384个样本，最终对1024个结构取平均。
孔隙率与温度被合成为一个可直接代入的解析表达式。 已有研究多在20 K、300 K或至多350 K范围内考察多孔硅热导率的温度依赖，只有一项工作报到800 K。 符号回归在孔隙率5%至85%、步长5%，温度300 K至900 K、步长100 K的网格上训练，测试集为70个随机孔隙率取值，训练集平均绝对百分比误差不超过6.5%。
启示与展望
已演示的范围是电化学刻蚀的p+型多孔硅，孔隙率48%至75%、厚度约20 μm，配合单球形孔的分子动力学模型与随机孔隙结构的神经网络模型；解析式在5%至85%孔隙率、300至900 K内给出，作者限定其适用于随机分布孔隙且声子受限尚不主导的情形。
作者指出p+样品结果本身存在明显分散，说明重掺杂条件下也可能形成类似轻掺杂的各向同性结构；解析式的误差以训练集平均绝对百分比误差报告，其适用性被限定在声子受限尚不主导的孔隙率区间。