2021年9月，能源和材料领域顶级期刊Materials Science and Engineering R (影响因子IF=36.214)刊发题为“Machine Learning for Predicting Thermal Transport Properties of Solids”的综述文章，第一作者和通讯作者分别为钱鑫教授和杨荣贵教授。

 固体热输运性质在芯片散热、高温热障涂层、建筑绝热材料、热电等领域均为重要的物性参数。尽管近年来基于第一性原理的热导率计算已趋成熟，但是其高昂的计算量导致难以应用于对大量功能材料的热输运性质进行高通量预测筛选。此外，第一性计算对于处理工程应用中的普遍具有无序缺陷、高温相变、复杂结构等固体材料体系仍然存在理论困难。在过去五年中，机器学习开始被应用于先进功能材料热导率的模拟、预测筛选以及材料设计中，取得了初步的研究进展。

 该综述对近五年热科学领域应用机器学习研究固体热物性的突破性研究工作进行了回顾综述，其中包括杨荣贵教授、钱鑫教授结合机器学习和分子模拟的研究工作以及其它学者在高通量筛选、结构优化设计等方面的研究进展。此外，该综述对微纳尺度传热结合机器学习算法在热科学领域未来研究方向进行了权威性的展望和指引。

 论文链接：https://www.sciencedirect.com/science/article/pii/S0927796X21000371