Los materiales termoeléctricos tienen la capacidad única de convertir el calor directamente en electricidad, haciéndolos vitales para la recolección de energía y la recuperación de calor de desperdiciado. Descubrir materiales termoeléctricos de alto rendimiento ha sido tradicionalmente un proceso lento y costoso. Sin embargo, los avances recientes en el aprendizaje automático (ML) algoritmos están acelerando el descubrimiento y optimización de estos materiales, permitiendo a los investigadores analizar miles de forma computar los artículos de búsqueda.

Materiales termoeléctricos y la Figura de Mérito ZT

[LT:0] La conducta térmica [LT] [FLT] [L]] [Llevamiento de alta velocidad] [Llevamiento de alta temperatura [L]] [Llevamiento de alta velocidad] [Llevamiento de alta velocidad] [L] [L]

El desafío del descubrimiento tradicional

Históricamente, descubrir nuevos materiales termoeléctricos se ha basado en experimentos de ensayo y terror. Los investigadores sintetizarían compuestos candidatos, medirían sus propiedades de transporte y luego se recubrieran según la intuición o modelos físicos.Este enfoque es lento: un solo ciclo de síntesis y caracterización puede tardar semanas, y el espacio químico de posibles complejos promisorios prometedores es enorme

Aprendizaje de máquina: Un cambio de paradigma

Los algoritmos de aprendizaje automático pueden analizar grandes conjuntos de datos de materiales conocidos para identificar patrones y predecir propiedades de nuevos compuestos, reduciendo drásticamente el número de experimentos necesarios. Los modelos ML están capacitados en datos existentes (por ejemplo, de experimentos o cálculos de teoría funcional de densidad (DFT) y aprenden la asignación entre los descriptores, como composición elemental, características de estructura de cristal y propiedades electrónicas, y valores de objetivos como [[Fexplotar]

Cómo modelos ML predecían propiedades termoeléctricas

El modelo de transmisión de datos es eficaz y las características de transmisión de datos de la unidad de control de la energía de los componentes de la unidad de la unidad de la unidad de la unidad de la unidad de la unidad de la unidad de la unidad de la unidad de la unidad de la unidad de la unidad de la unidad de la unidad de la unidad de la unidad de la unidad de la unidad de la unidad de la unidad de la unidad de la unidad de la producción.

Algoritmos de aprendizaje de maquinaria clave en la ciencia de los materiales

Varias clases de algoritmos han demostrado tener éxito en acelerar el descubrimiento de materiales termoeléctricos:

  • Aprendizaje superior:] Se utiliza para predecir ZT o coeficientes de transporte de datos etiquetados. Los modelos populares incluyen bosques aleatorios, aumento de gradientes (por ejemplo, XGBoost, LightGBM) y soporte la regresión de vectores. Estos métodos funcionan bien en la clasificación de datos tabulares con dimensión moderada y proporcionan ayudas.
  • Aprendizaje profundo: Redes neuronales —especialmente redes de alimentación, redes neuronales convoces (CNN) para imágenes de estructura, y redes neuronales gráficas (GNNs) para gráficos de cristal— pueden capturar interacciones complejas y no lineales. Por ejemplo, CGCNN (Crystal Graph Convolutional
  • ]Aprendizaje no supervisado: Los algoritmos de mezcla (k-means, DBSCAN) y reducción de la dimensionalidad (PCA, t-SNE) ayudan a identificar familias de materiales similares o de ajetreos que puedan representar fases de alto rendimiento no descubiertas. Combinadas con modelos supervisados, métodos no supervisados pueden proponer clases materiales completamente nuevas para la exploración.
  • Modelos generadores: Autoencoderes vaccionales (VAEs) y redes generativas adversarias (GAN) pueden proponer nuevas estructuras o composiciones de cristal aprendiendo la distribución subyacente de las termoeléctricas buenas conocidas. Estos modelos todavía están surgiendo pero tienen la promesa de diseño inverso]

Bosques aleatorios y bosificación de ingredientes

[FLT] estructuras de transmisión de datos de materiales tabulares son a menudo la primera opción. Ellos manejan valores perdidos, capturan interacciones de características y son robustos a los outliers. En el descubrimiento termoeléctrico, se han utilizado para predecir ZT[FLT1] para compuestos de medio nivel con errores inferiores a 0, después de la formación en modelos de DFT

Redes neuronales y aprendizaje profundo

Los métodos de aprendizaje profundos se destacan cuando los datos de entrada son de alta dimensión o jerárquica. Para termoeléctricas, redes neuronales de gráficos (por ejemplo, CGCNN, MEGNet, MatErials Graph Network) codifican directamente los bonos atómicas y entornos locales, aprendiendo características estructurales sin ingeniería de características manuales.

Modelos Generativos para Compuestos de Novel

Los modelos generadores van más allá de la predicción para crear nuevos materiales candidatos. Un autoencoder variable entrenado en un gran conjunto de estructuras termoeléctricas conocidas se pueden utilizar para decodificar nuevas composiciones desde puntos aleatorios en un espacio latente. Al condicionar el decodificador en un rango deseado ZT, los investigadores pueden generar fórmulas candidatas que satisfagan el método de rendimiento dramáticamente.

Ventajas de los enfoques de aprendizaje automático

ML acelera el proceso de descubrimiento reduciendo la lista de candidatos prometedores antes de la validación experimental. Esto reduce el número de sintetizaciones por órdenes de magnitud –de miles a decenas– ahorrando tanto tiempo como recursos. Por ejemplo, una detección tradicional de los chalcogenidos cuaternarios puede requerir años de trabajo; un modelo ML entrenado en 10.000 muestras puede priorizar a los 50 primeros candidatos en horas.

Otra ventaja es la capacidad de integrarse con cálculos DFT de alto rendimiento. Al utilizar ML como modelo surrogado para reemplazar costosos carreras DFT, los investigadores pueden escanear millones de composiciones en una fracción del tiempo. Este aprendizaje activo] bucle, donde el modelo sugiere nuevos candidatos, DFT los evalúa, y los resultados actualizan el modelo—pueden converger rápidamente en el trabajo otimulado global.

Estudios de caso: ML en Thermoelectric Discovery

Varios éxitos recientes ilustran el poder del descubrimiento impulsado por ML:

  • ]Alf‐Heusler Superlattices: Un equipo de la Universidad Duke utilizó bosques aleatorios y redes neuronales para proyectar más de 300.000 composiciones medias de Heusler. Su modelo predijo que Consejos basados en TiN confirmados con exceso de Ni o Cu lograría [FLT4]
  • Modificaciones de la serie: El selenide de la tinta (SnSe) es conocido por su registro ZT de 2.6 en cristales individuales, pero sus aplicaciones de anisotropía y propiedades mecánicas limitan. Utilizando la forma de potenciación de gradiente, los investigadores identificaron policristales Na‐doped SnSe comparables con [LT5]
  • Pantalla de alto rendimiento de óxidos: Un modelo ML entrenado en 1.500 óxidos conocidos predijo que Superlattices basadas en SrTiO3 tendría una conductividad térmica de baja celo debido a los límites de nanoescala.

Desafíos y limitaciones

A pesar de sus ventajas, el descubrimiento basado en ML se enfrenta a obstáculos importantes. La escasez y la calidad de datos son los problemas más apremiantes.El número de materiales termoeléctricos medidos ZT] es todavía pequeño, menos de 10.000 compuestos tienen datos experimentales fiables, y muchas mediciones se toman bajo cálculos costosos

]La interpretación moderna] es otro reto. Las redes neuronales profundas son cajas negras, dificultando la extracción de información física o confiando en predicciones para extrapolación lejos de los datos de entrenamiento. Los investigadores están desarrollando técnicas de IA explicables, como los equipos SHAP (Explantaciones aditivas de SHAP) características industriales de predicción explícita.

La predicción fuera de la distribución sigue siendo arriesgada. Un modelo ML entrenado en familias termoeléctricas conocidas (por ejemplo, medio hélices y chalcogenidas) puede realizar mal en tipos de estructuras completamente nuevos (por ejemplo, fases boronales o marcos metal-organizados).

Future Directions

La próxima década verá varios acontecimientos emocionantes en la intersección de ML y termoeléctricas:

  • Integración con Laboratorios Automatizados: Los robots y ML se fusionan en laboratorios autoadministrativos que sintetizan automáticamente compuestos, miden propiedades y actualizan modelos en tiempo real. Estos sistemas pueden proyectar miles de composiciones al mes, acelerando drásticamente el descubrimiento.
  • Explicable y Física-Informed AI: Nuevas arquitecturas que incorporan leyes físicas (por ejemplo, conservación de energía, ecuaciones de transporte) como parciales inductivos mejorarán la extrapolación y la confianza. Las redes neuronales informadas por física (PINNs) ya se utilizan para resolver la ecuación de transporte Boltzmann para predicciones de propiedades termoeléctricas, que proporcionan respetos.
  • Aprendizaje Federado para Compartir Datos: Una barrera para conjuntos de datos más grandes es que muchos grupos experimentales son reacios a compartir datos brutos. El aprendizaje federado permite a múltiples instituciones formar un modelo compartido sin intercambiar datos patentados, permitiendo un modelo termoeléctrico global.
  • Optimización objetiva Multi‐: Los dispositivos termoeléctricos reales requieren no sólo alta ZT sino también fuerza mecánica, estabilidad térmica y baja toxicidad. Los modelos ML futuros optimizarán simultáneamente múltiples objetivos, sugiriendo materiales que equilibran el rendimiento con la manufacturabilidad.

Las bases de datos abiertas como la AFLOW] y la base de datos termoeléctricas están creciendo rápidamente, proporcionando conjuntos de entrenamiento más ricos. Combinados con avances en modelos generativos y DFT de alta velocidad, el ritmo de nuevos descubrimientos termoeléctricos se puede acelerar exponencialmente.

Conclusión

Los algoritmos de aprendizaje automático han transformado la búsqueda de materiales termoeléctricos de alto rendimiento, desplazando el paradigma de la experimentación lenta, impulsada por intuición a descubrimiento rápido y guiado por datos. Al aprovechar el aprendizaje supervisado, las redes neuronales profundas y los modelos generativos, los investigadores pueden ahora analizar millones de composiciones e identificar candidatos prometedores con velocidad sin precedentes.