סקר חומרים עבור יעילות השימוש במכונות למידה

מבוא לאנרגיה ה-thermoelectric Conversion

המרה הישירה של אנרגיה תרמית לאנרגיה חשמלית באמצעות חומרים תרמואלקטריים יש הבטחה משמעותית עבור פתרונות אנרגיה בר קיימא. גנרטורים אנדרומואלקטריים יכולים לשחזר חום פסולת מתהליכים תעשייתיים, מתישות רכב ואפילו חום גוף, מה שממיר אותו לחשמל ללא חלקים נעים או פליטות.למרות עשרות שנים של מחקר, אימוץ נרחב של טכנולוגיה תרמואלקטרית היה מוגבל על ידי יעילות צנועה של חומרים זמינים מסחרית.

גישות מסורתיות לגילוי חומרים מסתמכות על סינתזת אינטואיציה ומבחן ניסיוני הרהרטיבי.תהליך הניסוי-והטרור הוא גם זמן-consuming ו-ment-inensive, לעתים קרובות דורש חודשים לאפיין תרכובת אחת.עם המרחב הכימי של חומרים תרמואלקטריים פוטנציאליים מוערך על פני מיליארדים של גבישים לא אורגניים, אסטרטגיה יעילה יותר היא חיונית באמצעות בדיקות, על ידי למידה מרחוק, על ידי למידה מרחוק (מערכת) אשר הופכת את המטרות הישירות לפתרונות מתקדמים לפיתוח שיטתיות של מטרות אסטרטגיות מתקדמות עבור תוכניות).

הבנה של יעילות ה-rmoelectric

שם הספר: Merit ZT

(ב) [17] , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

משחק משותף של Transport Properties

שלושת המאפיינים המרכיבים הם תלות הדדית חזקה, אשר הופך אופטימיזציה לאטריוויאלי.לדוגמה, מוליכות חשמלית לעתים קרובות מוביל לירידה ב coefficient של Seebeck, ושני הנכסים נוטים להגדיל את ההתנהגויות התרמיות באמצעות חוק Wiedemann-Franz ולכן, חומר תרמואלקטרי מוצלח חייב להפיג את הפרמטרים הללו באמצעות הנדסה זהירה של המבנה האלקטרוני ו- phononizing מנגנונים מורכבים, כך ש-NQFactecting נתונים מורכבים יותר מקודדים, כך, כך, לעומת מודלים מורכבים של למידה פשוטה יותר, כך, מקודמת, כלומר, ממודלים מורכבים יותר, מקודדים, כלומר, מדגמים מורכבים יותר, מקודדים, מקודדים, מקודמתים של תכונות למידה פשוטה יותר, מקודמת, מקודמתים פשוטים יותר, מקודדים, מקודדים, מקודמתים של שיטות למידה, מקודמת, כך, מקודמים מורכבים יותר, מקודמים מורכבים יותר, ניתן ל-Facter.

כיתות גדולות

(ב) ,[[1924]]]]]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]]]]]]]], [[1924]]]]]]]], [[1924]]]]]]]], [[1924]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]], [[1924]]]]]]]]]]]]]], [[1924]]]]

צבעי יהלומים מסורתיים

לפני הופעת שיטות המונעות נתונים, גילוי תרכובת תרמואלקטרית חדשה בדרך כלל עקב זרימת עבודה ליניארית: (1) חוקר משער מועמד המבוסס על דמיון כימי או אנלוגיה מבנית; (2) המתחם מסונתז באמצעות תגובה מוצקה של המדינה, התכה, או כדור מילימטר; (3) הדגימה מאופיינת בשלב, מיקרו-מבנה, ו (4) ביצועים מבטיחים, הוא הרכב הוא לעתים קרובות מעודן על ידי חומרים לא נכונים.

צילום: High- Throughput Screening Paradigm

צילום מסך משותף באמצעות תיאוריית תפקוד

חישובים חישוביים גבוהים ממינוף חישובים ראשונים של חישובים כדי להעריך אלפי תרכובות בתאוריה פונקציונלית צפיפות (DFT), החוקרים יכולים למקם מבנים אלקטרוניים, המונים יעילים ופוטנציאלי עיוות - כולם מתייחסים לאפקט ה-Seeico coefficient ו מוליכות חשמלית.

שילוב עם Machine Learning

מודלים של למידת מכונה פועלים כפונקציות פונדקאית שדומה DFT תוצאות בשבריר של העלות.על ידי אימון על מסד נתונים מחוספס של תכונות DFT-Computed, מודל יכול לחזות:0ZTirFLT:1 או כמויות קשורות לתרכובות חדשות ב- מילימטריים.D.computer חומרים גבוהים מורכבים בדרך כלל משלושה שלבים: (i) או לאסוף גדול של מועמדים ו-i) באמצעות מודל זה יכול להפחית את רמות חיפוש (DLC) או מעבדים מתקדמים ל-DLC) באמצעות שימוש ב-DLCDLCDLCDLCDI) או מעבדים (DLCDLCD) באמצעות מודל העליון של מספר גבוה של מספר גבוה של מספר גבוה של מספר גבוה של מספר גבוה של מספר גבוה של מספר גבוה של מספר גבוה של מספר גבוה של מספר גבוה של מספר גבוה של מספר גבוה של מספר גבוה של מספר גבוה של מספר גבוה של מספר גבוה של מספר גבוה של קבוצות (D.

פיתוח מכונות עבור חומרים rmoelectric

עיבוד נתונים והנדסת תכונות

איכות וכמות נתוני האימון הם קריטיים לביצועים של המודל.הנתונים הציבוריים המשותפים כוללים את פרויקט FLT:0 (Materials ProjectFLT:1 (מעל 150,000 תרכובות לא אורגניות), AFLOWlib, ואת מסד הנתונים הפתוח הקוונטי עבור סינון תרמואלקטרי, תכונות נגזרות תכונות הנדסיות קבועות (רדיוס אטומי, אלקטרוליטיות, ספירת אלקטרוליטיות), ו-דנציה מבנית (למשל, תכונות מורכבות), כגון גרף (אפקטים), תכונות מורכבות).

בחירת מודל ואימון

אלגוריתמים שונים הוחלו, כולל יערות אקראיים, עצים מוצצים (XGBoost, LightGBM), תומכים מכונות ורשתות עצביות עמוקות.עבור משימות תוקפנות החיזוי FLT:0ZTigigial Pool 1 או מרכיביו, שיטות הרכב לעתים קרובות לידע עמוק כאשר נתונים הם צנועים בגודל (כמה אלפי ערכים).

סקר וירטואלי ומועמדים מדורג

(הופנה מהדף גדול ללא מעצורים) עבור כל מועמד, המודל מתווה (FLT:0ZToriph:1 ערך יחד עם הערכות אי ודאות (אם משתמשים בשיטות פרובביליסטיות כמו תהליכי גאוסיאן או רשתות עצביות Bayesian) מאופיינים בביצועים מנבאים, והמאות המובילות מועברות לאישור DFT עבור גישה זו של 3 שבועות של אופטימיזציה לטבולית של פעילות גופנית (F2) ולהבטיח אופטימיזציה של פעילות גופנית (F2).

סיפורי הצלחה וסיפורי הצלחה

גילוי של חצי-הלר החדש

(ההצלחה הבולטת היא זיהוי של חומרים תרמואלקטריים חצי-הילריים מבטיחים (Heusler thermoelectric Materials) בשנת 2018, חוקרים מאוניברסיטת ויסקונסין-מדסון ומשתפי פעולה השתמשו במודל יער אקראי שהוכשר על נתונים DFT כדי להציג מעל 3,000 יצירות חצי-הילר.המודל חזה כמה יצירות בלתי צפויות עם גורמי חשמל גבוהים.

אופטימיזציה של Skutterudite doping

(דוגמה נוספת כוללת אופטימיזציה של סרוטוטים מלאים עבור יישומים של אמצע הזמן. Skutterudites יש את הנוסחה הכללית RM4X12 (R= נדיר אדמה מלא, M= Co, Fe, X= P, As, Sb) מינים מלאים וריכוז השפעה דרמטית על מוליכות תרמית וגורם כוח.

אתגרים ומגבלות

איכות נתונים וסטנדרטיזציה

(הדגשה של ה-Governage in, shit out) רלוונטית במיוחד. Experimental Consortium:0ZTigtureFLT:1 ערכים ממעבדות שונות יכולים להשתנות באופן נרחב בשל הבדלים בטכניקות מדידה (למשל, van der Pauw לעומת 4-probe, לייזר פלאש לעומת מוליכים יציבים של D.F) לעומת תקנים לא יציבים (ממדמים על נתונים לא מדויקים, אך ורק אם הם מתאימים לתופעות סטנדרטיות).

מודל Interpretability

מודלים רבים של למידת מכונה פועלים כקופסאות שחורות, מה שמקשה על מיצוי תובנות פיזיות.לדוגמה, מודל עשוי לחזות במדויק את ה-HighFLT:0ZTearFLT:1 עבור יצירה, אך לא לספק הסבר של אילו תכונות אטומיות מניעות את החיזוי.זה מגביל את היכולת לעצב חומרים חדשים רציונליים.com- טכניקות בין-הגמישות כמו SHAP (SHapley Addive Addive Proplanations) ומזימה חלקית משמשים לספירת ספירת חומרים אטומיים, כמו ספירת קוד זדוניים, כמו ספירת קוד זדוניים, כמו אטומיים, כמו ספירת, כמו אטומיים, כמו אטומיים, כמו אטומיים, כמו אטומיים.

המונחים: Loop

אפילו מודל למידת המכונה הטוב ביותר אינו יכול להבטיח כי חומר צפוי הוא סינתז או יציב בתנאים תפעוליים. תחזיות רבות על ידי חישוב גבוה כבר הוטבע על ידי תחרות שלב או decomposition במהלך סינתזזה. לסגור את הלולאה, החוקרים משלבים ML עם FLT:0phase יציבות ניתוח מ- 1 (באמצעות חישובים convexhull מ DFT) ו-Retested ל-Resivelydance, כאשר הם מגיבים למועמדים אלה, אשר הם מספקים מענה יעיל.

כיוונים עתידיים

Active Learning and Bayesian Optimization

במקום מסך חד פעמי, למידה פעילה משלבת משוב ניסיוני לתוך המודל בזמן אמת.האלגוריתם צופה לא רק את הביצועים הצפויים אלא גם את אי הוודאות.זה בוחר מועמדים כי הם צפויים להיות סופר גבוה (הההסבר) או מאוד לא בטוח (הסברה) אסטרטגיה זו הוחל בהצלחה כדי להתאים פרמטרים צמיחה דקת-סרט ועכשיו מותאם לחומרים תרמואלקטריים ביי, אופטימיזציה מתאימה במיוחד עבור כל אחד מהם, כאשר הוא מתאים היטב עבור קמפיינים מתקדמים.

מודלים ליצירת עיצוב הפוך

עיצוב הפוך מהפך את הפרדיגמה: במקום לבדוק יצירות ידועות, המודל לומד לייצר מבנים גבישיים חדשים לחלוטין עם תכונות מטרה. autoencoders Variational (VAEs) ורשתות ניווניות (גנים) יכול לייצר מבנים מועמדים על ידי מיפוי החלל הכימי על שטח מתמשך של זמן מאוחר.עבור thermoelectrics, זה עדיין nascent, אבל תוצאות מוקדמות יצרו sibleus udus ânus ânsis â â â â â ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ â â â â ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ â ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ â ¢ ¢ â â ¢ â â ¢ â ¢ ¢ â ¢ ¢ ¢ â ¢ â â â ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢

ריבוי נאמנות ושיטות היברידיות

מודלים רב-נאמנות משלבים נתונים זולים, נמוכים-דיוק (למשל, פוטנציאלים אמפיריים מהירים) עם נתונים יקרים, גבוהים בעלי דיוק גבוה (למשל, DFT עם פונקציונליות היברידית) על ידי למידה השגיאה בין רמות, מודלים אלה יכולים להשיג דיוק ברמת DFT, תוך הדורשים הרבה פחות חישובים גבוהים.

מסקנה

באמצעות בדיקות חישוב גבוהות המופעלות על ידי למידת מכונה שינתה באופן יסודי את קצב גילוי החומרים התרמואלקטריים.על ידי ניווט יעיל של המרחב הכימי והמבני העצום, טכניקות אלה הובילו לזיהוי של כמה תרכובות ביצועים חדשים והורידו את הזמן מהשערה לאימות בשנים עד חודשים, עם זאת, אתגרים באיכות נתונים, פירושיות והפיכה ניסיונית נותרו במהירות לעבר למידה פעילה, עיצוב רב-תרבותי, ומערכת גמישה, אשר עשויה לשפר את תהליכי התאוששות גבוהה יותר, אשר עלולים, תוך כדי שיפור יעיל של משאבים אוטונומיים, תוך כדי שיפור יעיל של התפתחותית, ושיקום, והתחדשות, והתחדשות, והתחדשות גבוהה יותר, אשר עשוי להפוך את תהליכי פיתוח רב-ל-ל-מחדשניים, ולפתח מחדש של כוח-תרבותיים, ושיקום, והתחדשות, והתחדשות, ומערכת יעילה, זמן, זמן, זמן, אשר עשוי, אשר עשוי להאיץ את תהליכי פיתוח רב-תרבותיים, אשר עשוי לשפר את תהליכי פיתוח יעיל של כוח-מחדשניים, במהירות, אשר עשוי להפוך את תהליכי התאוששות גבוהה יותר, פיתוח יעיל של כוח-תרבותיים, במהירות, תוך כדי שיפור יעיל של כוח-מחדשניים, אשר עשוי להפוך את תהליכי התאוששות גבוהה יותר, זמן, זמן קצר יותר, פיתוח יעיל של כוח-

לקריאה נוספת על שיטות חישוביות שנדונו, ה-FLT:0 Review in npj Computational MaterialsFLT:1 מספק סקירה מצוינת של למידת מכונה בגילוי חומרים לא אורגניים.