فهرست نشریات علمی دسترسی آزاد ایران

پیش‌بینی دقیق هدایت حرارتی (κ) در نانولوله‌های کربنی آلاییده (CNTs) برای مدیریت حرارتی پیشرفته در نانوالکترونیک حیاتی است. اگرچه شبیه‌سازی‌های دینامیک مولکولی (MD) بینش فیزیکی ارائه می‌دهند، اما برای غربالگری سریع از نظر محاسباتی پرهزینه هستند. در این مطالعه، یک چارچوب شبکه عصبی گرافی  (GNN) برای پیش‌بینی هدایت حرارتی نانولوله‌های کربنی آلاییده با نیتروژن تحت شرایط مختلف کرنش و آلایش ارائه می‌دهیم. مجموعه‌ داده‌ای متشکل از 5000 پیکربندی با استفاده از شبیه‌سازی‌های MD و پتانسیل آریبو (AIREBO) تولید شده است که طیف وسیعی از کایرالیته‌ها، غلظت‌های آلایش نیتروژن (0 تا 5 درصد اتمی) و کرنش‌های کششی (0 تا 8 درصد) را پوشش می‌دهد. مدل GNN، مبتنی بر معماری MPNN، خطای جذر میانگین مربعات( RMSE)  برابر با 0.14 W/mK و ضریب تعیین R² برابر با 0.99 روی مجموعه آزمون به‌دست آورده است که نشان‌دهنده دقت بسیار بالای پیش‌بینی است. تحلیل تفسیرپذیری با استفاده از Grad-CAM نشان می‌دهد که اتم‌های نیتروژن و پیوندهای کربنی کشیده مجاور آن‌ها، مراکز اصلی پراکندگی فونون بوده و به‌طور قابل توجهی κ را کاهش می‌دهند. تحلیل حساسیت تأیید می‌کند که غلظت آلایش و قطر لوله تأثیرگذارترین پارامترها هستند. چارچوب ترکیبی MD-GNN پیشنهادی، امکان پیش‌بینی سریع و تفسیرپذیر خواص حرارتی را فراهم می‌کند و ابزاری قدرتمند برای طراحی مواد حرارتی هوشمند و نانوحسگرهای مبتنی بر کرنش ارائه می‌دهد.