חומרים אנדרומואלקטריים יש את היכולת הייחודית להמיר חום ישירות לחשמל, מה שהופך אותם חיוניים לקצירת אנרגיה ובזבוז חום התאוששות חום.גילוי חומרים תרמואלקטריים ביצועים גבוהים הוא תהליך איטי ויקר.עם זאת, ההתקדמות האחרונה באלגוריתמים של מכונות (ML) מאיצה את הגילוי והאופטימיזציה של חומרים אלה, המאפשרים לחוקרים למסך אלפי מועמדים חישוביים לפני מדגם יחיד הוא מסונתז מאמר זה, כיצד טכניקות עיבוד דרך יעילה, אופטימיזציה של דרכים, ואלגוריתמים של חומרים אלה, ואלגוריתמים של אלגוריתמים, ואלגוריתמים, ואלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים יעילים, ואלגוריתמים, ואלגוריתמים, ואופטימיזציה של חומרים אלה, כדי לאפשר לאלגוריתמים יעילים, כדי לאפשר לאלגוריתמים, כדי למנוע אלגוריתמים של אלגוריתמים של חומרים אלה, כדי למנוע אלגוריתמים של חומרים אלה, כדי למנוע אלגוריתמים, ואלגוריתמים, כדי לאלגוריתמים של אלגוריתמים יעילים, כדי למנוע אלגוריתמים מתקדמים, כדי לאלגוריתמים, כדי לאלגוריתמים, כדי לאלגוריתמים של חומרים אלה, כדי לאלגוריתמים של חומרים אלה, כדי לאלגוריתמים מתקדמים, כדי לאלגוריתמים, כדי לאלגוריתמים

חומרים אנדרומאלקטריים והאיור של Merit ZT

(ב) מאופיין בחומרים המתקדמים (ב) ב[[1924]], [[1924]], [[1924]], [[1924]]]], [[1924]]]], [[1924]]]]]]]], [[1924]]]]]]]]]], [[1924]]]]]]]]]]]], [[1924]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]], [[1924]], [[1924]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]], [[1924]]]], [[1924]]]]]], [[1924]], [[1924]]]]]], [[1924]]]]]]]], [[1924]]]]]], [[1924]]]]]]]]]], [[1924]], [[1924]]]]]]]], [[1924]]]]]]]], [[1924]]]]]]]]]]]]]]]]]]]], [[

האתגר של גילוי מסורתי

מבחינה היסטורית, גילוי חומרים תרמואלקטריים חדשים התבסס על ההרחבה:0 (0)trial-and-טרור-טרור-פלימפט 1 ניסויים.חוקרים היו מסנתזים תרכובות מועמדות, מודדים את תכונות התחבורה שלהם, ולאחר מכן הוא מבוסס על אינטואיציה או מודלים פיזיים. גישה זו איטית: סיינטזה יחידה מחזור אפיון יכול לקחת שבועות, ואת המרחב הכימי של תרכובות אפשריות באורגניות הוא עצום - משקיף על פני 10 מנגנונים חמים במיוחד עבור מערכות קירור מסורתיות, כמו גם כן, כמו גם כן, כמו גם מנגנונים לא יכול להיות מעורב.

Machine Learning: A Paradigm Shift

אלגוריתמי למידת מכונות יכולים לנתח נתונים גדולים של חומרים ידועים לזהות דפוסים וחיזוי תכונות של תרכובות חדשות, להפחית באופן דרמטי את מספר הניסויים הדרושים.מודלים של ML מאומן על נתונים קיימים (למשל, מניסויים או תיאוריה פונקציונלית (DFT) וללמוד את המיפוי בין תיאוריים - כגון הרכב אלמנטרי, תכונות מבנה גבישי ותכונות אלקטרוניות - וערכים מטרה כגון FLT:0ZEN) למועמדים מתקדמים, ברגע שגורמים אלה יכולים להתמקד ב-RIRDRIRDRIRDRIRDRIRSTDRIRST, לאחר מכן, כלומר, לאחר מכן, כלומר, לאחר מכן, לאחר מכן, לאחר מכן, כולל את הטכניקות מבטיחות של יצירת מודלים מתקדמים של יצירת מודלים מתקדמים של יצירת מודלים של יצירת מודלים של יצירת מודלים של יצירת מודלים של יצירת מודלים של יצירת מודלים של תכונות מבנה, כולל תכונות מבנה, לאחר מכן, כולל תכונות מבנה, לאחר מכן, כולל תכונות מבנה, אשר הובילו ל-DTSDERDTSDERDLTZEN, לאחר מכן, כולל תכונות מבנה, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, כולל תכונות מבנה, לאחר מכן, לאחר מכן, אשר הובילו ל-DLTZENDLTZEN, כולל תכונות

כיצד מודלים של ML לחזות את התכונות הירומאלקטריות

(הופנה מהדף ML Model for thermoelectric Materials דורש בחירה זהירה של FLT:0 (ראהים) מודלים של coefficients (FLT 1) ו-FLT:2featuresFLT 3) תכונות נפוצות כוללות תכונות אלמנטליות (אלקטרוניות, רדיוס אטומי, ספירת אלקטרו-סגולה) תואמים את רכיבי ה-ALT (קבוצת חלל, פרמטרים), צפיפות נגזרת (פעפיים, פערים יעילים, אטומים) לתכונות של גרף (Digital)

מפתח Machine Learning Algorithms in Materials

מספר שיעורים של אלגוריתמים הוכיחו הצלחה בגילוי חומרים תרמואלקטריים:

  • (FLT:0) סופרוויסו: (FLT:1) נעשה שימוש כדי לחזות (FLT:2ZToriFLT 3: 3 או הובלת אפקטיביות מהנתונים מתוייגים.מודלים פופולריים כוללים יערות אקראיים, ⁇ שיפור (למשל, XGBoost, LightGBM), ותומך בתוקפנות וקטור.
  • (ה-FLT:0) למידה: רשתות ניאלים 1 (במיוחד רשתות ניזונים, רשתות עצביות מבוכות (CNN) עבור תמונות מבנה, ורשתות עצביות גרפיות (GNNs) עבור גרפים גבישיים - יכולות ללכוד אינטראקציות מורכבות, לא לינאריות.לדוגמה, FLT:2CG CNN (Crystal Graphvolution Conal Neural) כבר בשימוש בתכונות דיוק ו-Rate.
  • (FLT:0) Unvised Learning:FLT:1 אלגוריתמים קלוסטרינג (k-means, DBSCAN) והפחתה של מימדיות (PCA, t-SNE) מסייעים לזהות משפחות של חומרים דומים או מחוץ לערים שעלולות לייצג שלבים לא מעודנים בעלי ביצועים גבוהים. בשילוב עם מודלים מבוקרים, שיטות לא מבוקרות יכולות להציע חומר חדש לחלוטין עבור חקר.
  • (ב) [13] מודלים רבי-המכרה: ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

יערות אקראיים וגרינט בוטינג

(ב) יערות ועצים מהונדסים הם לעתים קרובות הבחירה הראשונה של נתונים לשוניים.הם מטפלים בערכים חסרים, ללכוד אינטראקציות תכונה, והם חזקים כדי לצאת מהשטח, בגילוי תרמואלקטרי, הם שימשו לחיזוי FLT:0ZTigial 1: עבור תרכובות חצי-המלרה עם שגיאות מתחת ל-0 לאחר אימון על נתונים תרמיים מדגמים אלה:0ZTphernFvanceer: 4, 000 אטומים, 000 חזק יותר, 000 חזק יותר, 000 מטרדלהלן:

רשתות נילי ולמידה עמוקה

שיטות למידה עמוקות הצטיין כאשר נתוני קלט הם ממדיים או היררכיים.עבור thermoelectrics, גרף:0 (crystal גרפן רשתות עצביות גרף 1 (למשל, CG CNN, MEGNet, MatErials Graph Network) ישירות אישר אג"ח אטומי וסביבות מקומיות, תכונות למידה מבניות ללא הנדסת ידני.

מודלים ליצירת רומן

(המודלים המשתנים מעבר לחיזוי של יצירת חומרים חדשים של מועמדים. a Varial Autoencoder מאומן על קבוצה גדולה של מבנים תרמואלקטריים ידועים ניתן להשתמש כדי לפענח יצירות חדשות מנקודות אקראיות בחלל מאוחר יותר.על ידי מיזוג הדלקוד על קבוצה גדולה של הרצויה:0ZTFLT:1 טווח, החוקרים יכולים ליצור נוסחאות מועמדים כי הביצועים שנוצרו עדיין דורשים DFTF3FR) אשר כבר נבדקו באופן דרמטי של 1.5T2N2TR.

יתרונות למידת מכונות

(ML מאיצה את תהליך הגילוי על ידי צמצום רשימת המועמדים המבטיחים לפני אימות ניסיוני.זה מקטין את מספר הסינכות על ידי פקודות גודל - מאלפים לעשרות - חיסכון הן זמן והן משאבים.לדוגמה, בדיקת המסורתית של chalcogenides quaternary עשויה לדרוש שנים של עבודה; מודל ML מאומן על 10,000 דגימות יכול לפני 50 ראשי שעות, בנוסף, בדיקות מסורתיות של חומרים לא צפויים:2 חומרים פיזיים כגון:

יתרון נוסף הוא היכולת להשתלב עם חישובים DFT גבוה באמצעות חישובים DFT.על ידי שימוש ב-ML כמודל חלופי להחליף את DFT יקר, החוקרים יכולים לסרוק מיליוני יצירות בשבריר מהזמן.זה FLT:0active LearningcioFLT:1 לולאה - שבו המודל מציע מועמדים חדשים, DFT מעריך אותם, ואת התוצאות של מעבדת לורנס - יכול לתכנס במהירות על פי בחירת העולם של יישום כזה סגור עכשיו פלטפורמות כמו ברקלי (MA) הם חומרים אוטומטיים של מוסדות.

תוצאות חיפוש: ML in thermoelectric Discovery

כמה הצלחות האחרונות ממחישות את כוחו של גילוי מונע ML:

  • (ב) [ה][דרוש מקור]]: [ה][דרוש מקור]] [ה]] [ה]]] [ה]]]][ה]]][ב[[1924]]]]]], ב[[1924]], [[1924]]]]]], [[1924]]]]]]]]]], [[1924]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]], [[1924]]]]]]]]]], [[1924]], [[1924]]]], [[1924]]]]]]]]]], [[1924]]]]]] ב[[1924]]]]]] ב[[1924]]]], [[1924]], [[1924]], [[1924]]]] ב[[1924]]]]]]]]]] [[[[1924]]]]]]
  • (ב) [17] , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) [ה]: [ה] [ה]] [ה]] [ה]] [ה]] [ה]]]] [ה]]] [ה]]]][ה]]]]] [ה]]][ה]]], [המודל ה-ML שהוכשר על ידי 1,500 ⁇ ⁇ ⁇ , היה בעל כפלה נמוכה של כפלה של כפלה, עקב גבולות דגנים.

אתגרים ומגבלות

למרות היתרונות שלה, תגליות מבוססות ML פרצופים מכשולים משמעותיים. Data המחסור ואיכות איכות FLT:1] הם הנושאים הדוחקים ביותר.מספר החומרים התרמואלקטריים עם נתונים נמדדים:2ZTreaFLT 3 הוא עדיין קטן - מאשר 10,000 תרכובות יש נתונים ניסיוניים אמינים, ומדידות רבות נלקחות תחת תנאים שונים (זמן, doture), אשר עשויים להשוות אותם ל-D5 קבוצות טיפול דומות (D) אך הן יכולות להשוואה בין היתר.

(FLT:0Model AffairabilityFLT:1) הוא אתגר נוסף.רשתות עצביות עמוקות הן קופסאות שחורות, מה שהופך את זה קשה להפיק תובנות פיזיות או לבטוח בתחזיות עבור איסוף נתונים של הכשרה.חוקרים מפתחים FLT:2exent AIFLT 3 טכניקות, כגון SHAP (נספח פלוסי אדרנלי) ערכים, אשר מבינים תכונות מניעות, אך ורקמות קבוצות אקדמיות פשוטות יותר (אך)

(FLT:0Out-of-distributionחיזוי חיזוי החיזוי של חלוקת 1FLT) נשאר מסוכן.מודל ML שהוכשר על משפחות תרמואלקטריות ידועות (למשל, חצי-הילרים ו- chalcogenides) עשוי להופיע באופן גרוע על סוגים חדשים לחלוטין של מבנה (למשל, שלבים המבוססים על בורון או מסגרות מתכת-אורגניות).

כיוונים עתידיים

העשור הבא יראה כמה התפתחויות מרגשות בצומת של ML ותרמואלקטריות:

  • (FLT:0) אינטגרציה עם מעבדות אוטומטיות: ibFLT ( 1 Robotics ו-ML) הם מיזוג במעבדה אוטונומית המונעת על ידי הזזת באופן אוטומטי תרכובות, למדוד תכונות ועדכונים מודלים בזמן אמת.
  • (FLT:0) הסבירות והפיזיקה-Informed AI:BuildFLT) 1 אדריכלות חדשה המשלבת חוקים פיזיים (למשל, שימור אנרגיה, משוואות תחבורה) כמו הטיה אינדוקטיבית תשפר את הפיזור והאמון.רשתות העצביות של הפיזיקה (PINNs) כבר משמשות לפתרון משוואות התחבורה הבולשבטמן עבור תרמואלקטרי, מתן תחזיות רכוש כיבוד בסיסי פיזיקה.
  • (FLT:0) למידה משופרת לשיתוף נתונים: מחסום 1 לנתוני נתונים גדולים יותר הוא שקבוצות ניסיוניות רבות אינן רוצות לשתף נתונים גולמיים. למידה פדרated מאפשרת למוסדות מרובים להכשיר מודל משותף ללא החלפת נתונים קנייניים, המאפשר מודל תרמואלקטרי גלובלי.
  • (ב) ⁇ (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

מסדי נתונים פתוחים כגון:0AFLOWIRLT:1 ו-FLT:2 , Thermoelectrics DatabaseveFLT 3 גדלים במהירות, ומספקים קבוצות הכשרה עשירות יותר בשילוב עם התקדמות במודלים ניוניים ו-DFT גבוה, קצב תגליות תרמואלקטריות חדשות הוא מואץ כדי להאיץ את קצב התגליות המסוכנות.

מסקנה

אלגוריתמים של למידת מכונות שינו את החיפוש אחר חומרים תרמואלקטריים בעלי ביצועים גבוהים, שינוי הפרדיגמה מניסוי איטי, מונע אינטואיציה ועד לגילוי מהיר, נתונים מונחה על ידי מינוף למידה מבוקרת, רשתות עצביות עמוקות, מודלים ניווניות, החוקרים יכולים כעת למסך מיליוני יצירות ולזהות מועמדים מבטיחים במהירות נוחה, בעוד אתגרים נשארים - במיוחד באיכות נתונים, בפירוש, ו-Extrapolation - שילוב של ניסויים ב- AIFication עם הבטחות אוטומטיות ו-Z-Dicial: