随着电子器件的集成度提升和半导体技术的发展,散热问题已成为高功率密度应用领域的关键挑战,而传统热管理方案在高效性、稳定性和材料优化方面存在局限,难以满足5G、人工智能、新能源汽车等领域的需求。本文创新性地提出一种深度学习驱动的材料导热性预测与优化方法,将物理约束深度学习模型与跨模态数据相融合,显著提升了材料导热性能预测精度,并加速了优化设计进程。该方法在芯片封装散热、高导热聚合物开发及热界面材料筛选等应用中展现出了卓越性能。本研究为突破电子信息材料散热瓶颈提供了智能化解决方案,具有重要的科学意义和工程应用价值。

深度学习；电子信息材料；导热性；模拟优化

[1]徐上. 高分子聚合物材料的导热性能及其微观构型优化的分子模拟研究[D]. 东南大学, 2017. [2]潘鹏程. 孔隙率、晶粒度对纯W导热导电性能的影响及W基材料导热性能模拟[D]. 合肥工业大学, 2023. [3]杨绍丁. 界面氢键作用对石墨烯/聚乙烯醇复合材料导热性能影响的分子模拟研究[D]. 北京化工大学, 2023. [4]张浙豪. 聚乙烯基导热绝缘复合材料的制备及性能研究[D]. 重庆大学, 2023. [5]高目. 氧化石墨烯-水泥复合材料导热性能的分子动力学模拟[D]. 中原工学院, 2023.

DOI： https://doi.org/10.62639/sspis20.20250203

Published： 2025