Introduction à la conversion d'énergie thermoélectrique

La conversion directe de l'énergie thermique en énergie électrique via des matériaux thermoélectriques est une promesse importante pour des solutions énergétiques durables. Les générateurs thermoélectriques peuvent récupérer la chaleur résiduelle des procédés industriels, des gaz d'échappement de l'automobile, voire de la chaleur corporelle, la convertir en électricité utilisable sans déplacer de pièces ou d'émissions. Malgré des décennies de recherche, l'adoption généralisée de la technologie thermoélectrique a été limitée par la modeste efficacité des matériaux disponibles dans le commerce.

Les approches traditionnelles de la découverte des matériaux reposent sur la synthèse guidée par l'intuition et les essais expérimentaux itératifs. Ce processus d'essai et d'erreur prend beaucoup de temps et exige beaucoup de ressources, et nécessite souvent des mois pour caractériser un seul composé. L'espace chimique des matériaux thermoélectriques potentiels, estimé à plus de milliards de cristaux inorganiques, est essentiel.

Comprendre l'efficacité thermoélectrique

La figure du mérite ZT

La performance thermoélectrique est quantifiée universellement par la figure de mérite sans dimension ZT, définie comme ZT = (S2εT) / κ, où S est le coefficient Seebeck, γ est la conductivité électrique, T est la température absolue et κ est la conductivité thermique.

Interaction des propriétés de transport

Par exemple, l'augmentation de la conductivité électrique entraîne souvent une réduction du coefficient de Seebeck, et les deux propriétés ont tendance à augmenter la conductivité thermique par l'intermédiaire de la loi Wiedemann-Franz. Par conséquent, un matériau thermoélectrique réussi doit découpler ces paramètres par une ingénierie soigneuse de la structure de bande électronique et des mécanismes de diffusion du phonon. Les stratégies comprennent la création de défauts ponctuels, la nanostructuration et la convergence de bande.

Classes de matériaux principaux

    [Skutterudites[p. ex., CoSb3) – connu pour sa grande mobilité et sa faible conductivité thermique du réseau, réalisable par l'intermédiaire d'atomes de remplissage -]
  • ][Composés Half-Heusler [p. ex., MNiSn, MCoSb, avec M = Ti, Zr, Hf) – mécaniquement robustes et thermiquement stables, adaptés aux applications à température moyenne à élevée
  • [FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][F.[F.T.T.:

    Bouteilles traditionnelles de découverte

    Avant l'avènement de méthodes fondées sur les données, la découverte d'un nouveau composé thermoélectrique suivait généralement un flux linéaire : (1) un chercheur hypothéque un candidat en fonction de la similitude chimique ou de l'analogie structurelle; (2) le composé est synthétisé par réaction à l'état solide, par fusion ou par fraisage à billes; (3) l'échantillon est caractérisé par la pureté de phase, la microstructure et les propriétés de transport; (4) si la performance est prometteuse, la composition est affinée par dopage systématique. Ce cycle peut prendre des mois par matériau et donne souvent des résultats décevants parce que l'hypothèse initiale est erronée.

    Le paramètre de dépistage à haut débit

    Dépistage par analyse numérique par la théorie fonctionnelle de la densité

    En utilisant la théorie fonctionnelle de la densité (DFT), les chercheurs peuvent calculer les structures de bandes électroniques, les masses efficaces et les potentiels de déformation, tous liés au coefficient de Seebeck et à la conductivité électrique. La conductivité thermique du réseau peut être estimée par le modèle Slack ou par les approches plus récentes, comme D3. Cependant, les calculs DFT sont coûteux en calcul, et même avec les flux de travail automatisés (p. ex. AFLOW, Project Matériaux), le dépistage de millions de candidats est peu pratique.

    Intégration avec le Machine Learning

    En formant sur une base de données curée des propriétés calculées par DFT, un modèle peut prédire ZT[ ou des quantités connexes pour de nouveaux composés en millisecondes. Le pipeline à haut débit comprend généralement trois étapes : (i) générer ou recueillir un grand bassin de compositions candidates et de structures cristallines; (ii) exécuter un modèle léger de LM pour classer les candidats; (iii) valider les candidats les mieux classés à l'aide de DFT ou d'expériences.

    Flux de travail pour l'apprentissage des machines pour les matériaux thermoélectriques

    Curation des données et ingénierie des fonctionnalités

    Les données communes du public comprennent le projet Matériaux (plus de 150 000 composés inorganiques), AFLOWlib et la base de données sur les matériaux quantiques ouverts. Pour le dépistage thermoélectrique, les caractéristiques sont dérivées des propriétés élémentaires (rayonnement atomique, électronégativité, numération électronique de la valence) et des descripteurs structurels (numéros de coordination, volume par atome, longueurs de liaison).

    Sélection et formation de modèles

    Pour les tâches de régression qui prédisent ZT ou ses composantes, les méthodes d'ensemble surpassent souvent l'apprentissage profond lorsque les ensembles de données sont de taille modeste (quelques milliers d'entrées). Les réseaux neuraux avec des mécanismes d'attention gagnent en popularité pour saisir des relations complexes entre la structure et la propriété. L'évaluation du modèle utilise la validation croisée et des mesures comme l'erreur absolue moyenne (EIM) et la R2. Une EIM typique pour ZT la prédiction dans la littérature varie de 0,1 à 0,3, ce qui est suffisant pour réduire le bassin de candidats.

    Examen virtuel et classement des candidats

    Une fois formé, le modèle est déployé sur un grand ensemble de compositions candidates non marquées. Pour chaque candidat, le modèle produit une valeur ZT ainsi que des estimations d'incertitude (si on utilise des méthodes probabilistes comme les processus gaussiens ou les réseaux neuronaux bayésiens).Les candidats sont ensuite triés par performance prédite, et les centaines de candidats sont passés à DFT pour confirmation. Cette approche hiérarchique permet d'économiser des semaines de temps de calcul.

    Études de cas et exemples de réussite

    Découverte de nouveaux composés semi-heusler

    En 2018, les chercheurs de l'Université du Wisconsin–Madison et leurs collaborateurs ont utilisé un modèle forestier aléatoire formé sur les données de DFT pour filtrer plus de 3000 compositions de demi-heusler. Le modèle prédit plusieurs compositions non déclarées avec des facteurs de puissance élevée. La synthèse et la caractérisation expérimentales ont confirmé que deux de ces compositions, p-type ZrNiSn et n-type HfCoSb, ont dépassé de 20 % la performance des demi-heuslers connus. L'étude a démontré que le dépistage guidé par la machine peut accélérer la découverte par un facteur de dix par rapport aux méthodes traditionnelles.

    Optimisation du dopage de la Skutterudite

    Les skutterudites ont la formule générale RM4X12 (R = remplisseur de terre rare, M = Co, Fe, X = P, As, Sb). Les espèces de remplissage et la concentration influencent de façon considérable la conductivité thermique et le facteur de puissance. À l'aide d'un modèle de stimulation du gradient formé sur des données expérimentales de plus de 200 skuterudites remplis, une équipe a prédit des compositions optimales de remplissage pour un maximum ZT à 700 K. Le modèle a suggéré une composition double-remplie (Ba,La)Fe4Sb12 avec un ZT[ de 1,3, qui a été ultérieurement vérifiée expérimentalement.

    Défis et limites

    Qualité des données et normalisation

    Les valeurs expérimentales ZT[ de différents laboratoires peuvent varier considérablement en raison des différences dans les techniques de mesure (p. ex. van der Pauw vs. quatre-probe, flash laser vs. conductivité thermique à l'état stationnaire). De plus, les valeurs publiées omettent souvent des estimations d'incertitude. Les données computationnelles, bien qu'elles soient cohérentes, peuvent être inexactes si la fonction de corrélation d'échange est mal adaptée au matériau (p. ex., sous-estimation de l'écart de bande dans la DFT standard). Sans une guérison soigneuse, les modèles apprennent des erreurs systématiques plutôt que de véritables tendances physiques.

    Modèle d'interprétation

    De nombreux modèles d'apprentissage automatique agissent comme des boîtes noires, ce qui rend difficile l'extraction des données physiques. Par exemple, un modèle peut prédire avec précision une composition ZT, mais ne fournit aucune explication sur les caractéristiques atomiques qui conduisent à la prédiction.Cela limite la capacité de concevoir de nouveaux matériaux rationnellement.

    Boucle de validation expérimentale

    Même le meilleur modèle d'apprentissage automatique ne peut garantir qu'un matériau prédit est synthétisé ou stable dans des conditions d'exploitation. De nombreuses prédictions à haut débit ont été invalidées par la compétition de phase ou la décomposition au cours de la synthèse. Pour clore la boucle, les chercheurs combinent l'analyse de stabilité phase (via les calculs de coques convexes de DFT) et la rétroaction expérimentale.

    Orientations futures

    Apprentissage actif et optimisation bayésienne

    Plutôt que d'un écran unique, l'apprentissage actif intègre la rétroaction expérimentale dans le modèle en temps réel. L'algorithme prédit non seulement la performance attendue mais aussi l'incertitude. Il sélectionne ensuite les candidats qui sont soit prédits comme étant hautement performants (exploitation) ou hautement incertains (exploration).Cette stratégie a été appliquée avec succès pour optimiser les paramètres de croissance des films minces et est maintenant adaptée aux matériaux en vrac thermoélectriques.

    Modèles de conception inverse

    La conception inverse retourne le paradigme : au lieu de sélectionner des compositions connues, le modèle apprend à générer des structures cristallines entièrement nouvelles avec des propriétés cibles. Les auto-encodeurs variables (VAE) et les réseaux antagonistes générateurs (GAN) peuvent produire des structures candidates en cartographiant l'espace chimique sur un espace latent continu. Pour les thermoélectriques, c'est encore naissant, mais les premiers résultats ont généré des structures mi-heusler et skuterudite plausibles que le modèle prévoit d'avoir ZT au-dessus 2.

    Méthodes multifidélité et hybrides

    La modélisation multifidélité combine des données peu coûteuses et peu précises (p. ex., des potentiels empiriques rapides) avec des données coûteuses et très précises (p. ex., DFT avec des fonctions hybrides). En apprenant l'erreur entre les niveaux, ces modèles peuvent obtenir une précision de niveau DFT tout en exigeant des calculs à coût élevé beaucoup moins élevés. Pour le dépistage thermoélectrique, cela pourrait impliquer une formation sur les structures de bandes DFT et ensuite un réglage fin sur les mesures expérimentales.

    Conclusion

    En naviguant efficacement dans l'énorme espace chimique et structurel, ces techniques ont permis d'identifier plusieurs nouveaux composés à haute performance et ont réduit le temps d'hypothèse à la validation d'années en mois. Néanmoins, des défis subsistent en matière de qualité des données, d'interprétation des modèles et de couplage expérimental. Le domaine évolue rapidement vers l'apprentissage actif, la conception génératrice et la modélisation multifidélité, qui promettent d'accélérer encore le développement de thermoélectriques pour la récupération de la chaleur résiduelle, la production d'énergie portable et le refroidissement à l'état solide.

    Pour de plus amples informations sur les méthodes de calcul discutées, le Review in npj Computational Materials fournit un excellent aperçu de l'apprentissage machine dans la découverte de matériaux inorganiques. Un ensemble de données complet sur les propriétés thermoélectriques peut être trouvé au .