Introduzione alla conversione dell'energia termoelettrica

La conversione diretta dell'energia termica in energia elettrica tramite materiali termoelettrici ha una promessa significativa per soluzioni energetiche sostenibili. I generatori termoelettrici possono recuperare il calore dei rifiuti dai processi industriali, dagli scarichi automobilistici e persino dal calore corporeo, trasformandolo in elettricità utilizzabile senza spostare parti o emissioni. Nonostante decenni di ricerca, l'adozione diffusa della tecnologia termoelettrica è stata limitata dalla modesta efficienza dei materiali commercialmente disponibili.

Gli approcci tradizionali alla scoperta dei materiali si basano sulla sintesi intuitiva e sulla sperimentazione iterativa, che richiede spesso mesi per caratterizzare un singolo composto. Con lo spazio chimico di potenziali materiali termoelettrici stimati per superare miliardi di cristalli inorganici, è essenziale una strategia più efficiente.

Comprendere l'efficienza termoelettrica

La figura del Merit ZT

[Tl] [Tl] [[L]]] [[L]]] [L'obiettivo è quello di un'azione di tipo [S] [[L]] [[L]]] [L'obiettivo di un'azione di tipo [L'obiettivo] [[L]] [[L]]] [[L'obiettivo] [[L'obiettivo] [[L'obiettivo]]] [[L'obiettivo]] è quello di un valore termico [[[[[[[[[[

Interplay delle proprietà di trasporto

Le tre proprietà costituenti sono fortemente interdipendenti, che rende l'ottimizzazione non banale. Ad esempio, l'aumento della conducibilità elettrica porta spesso ad una riduzione del coefficiente Seebeck, e entrambe le proprietà tendono ad aumentare la conducibilità termica attraverso la legge Wiedemann‐Franz. Pertanto, un materiale termoelettrico di successo deve decouplare questi parametri attraverso un'attenta progettazione della struttura elettronica della banda e dei meccanismi di spargimento fononico.

Classi di materiale principali

[FLT] [FLT] [FLT] [FLT] [FLT] [FLT] [FLT] [FLT]] [[FLT]] [FLT] [FLT] [FLT] [Flosione] [Flotta] [Sfida] [Sfida] [Sfida] [Sfida] [Sfida] [Sfida]] [Sfida] [[Sfida]] [[Sfida]]] [[Sfida]] [Sfida]] [Sfida] [Sfida] [Sfida] [[Sfida]] [Sfida]]] [[Sfida]] [[Sfida] [Sfida] [Sfida] [Sfida]] [Sfida] [Sfida] [Sfida]]] [Sfida] [[Sfida] [Sfida] [Sfida] [[Sfida] [Sfida] [Sfida] [Sfida] [[Sfid] [[Sfida]] [

Scollo da bottiglia tradizionale Discovery

Prima dell'avvento dei metodi data-driven, alla scoperta di un nuovo composto termoelettrico tipicamente seguito un flusso di lavoro lineare: (1) un ricercatore ipotizza un candidato basato sulla somiglianza chimica o sull'analogia strutturale; (2) il composto è sintetizzato attraverso la reazione a stato solido, la fusione o la fresatura a sfere; (3) il campione è caratterizzato per purezza di fase, microstruttura e proprietà di trasporto; e (4) se le prestazioni sono promettenti, il materiale per i risultati di processo vengono perfezionati attraverso i dati di doping sistematici.

Il Paradigm di Schermatura ad alto rendimento

Schermatura computazionale tramite Teoria funzionale di densità

Lo screening computazionale ad alto rendimento sfrutta i calcoli di primi principi per valutare migliaia di composti in silico. Utilizzando la teoria funzionale della densità (DFT), i ricercatori possono calcolare le strutture elettroniche della banda, le masse efficaci e le potenzialità di deformazione, tutti relativi al coefficiente Seebeck e alla conducibilità elettrica.

Integrazione con l'apprendimento automatico

I modelli di apprendimento automatico agiscono come funzioni surrogate che approssimano i risultati DFT ad una frazione del costo. Formando su un database curato di proprietà DFT-computed, un modello può prevedere ZT o quantità correlate per nuovi composti in millisecondi. L'alto canale di ricerca dei candidati-throughput consiste tipicamente di tre fasi: (i) generare o raccogliere un promettente corso di composizioni di cristallo estile

Flusso di lavoro per materiali termoelettrici

Curazione dei dati e Ingegneria delle caratteristiche

I dati comuni includono il Materials Project[ (oltre 150.000 composti inorganici), AFLOWlib, e il database Open Quantum Materials. Per lo screening termoelettrico, le caratteristiche sono derivate da proprietà elementali (radio atomico, impronta digitale, valence electron count) e descriptors strutturali (co

Selezione e formazione del modello

Vari algoritmi sono stati applicati, tra cui foreste casuali, alberi graente-boosted (XGBost, LightGBM), macchine vettoriali di supporto e reti neurali profonde. Per i compiti di regressione che predicono ZT]] o i suoi componenti, metodi di ensemble spesso superano l'apprendimento profondo quando i set di dati sono modesti in dimensioni (alcunemila voci).

Schermatura virtuale e Ranking Candidato

Per ogni candidato, il modello emette un valore predetto ZT[]] insieme a stime (se si utilizzano metodi probabilistici come processi Gaussiani o reti neurali Bayesian). I candidati vengono poi ordinati con prestazioni prevedibili e le prime centinaia sono passate a DFT per la conferma di calcolo.

Studi di casi e storie di successo

Scoperta dei nuovi composti di mezza esasperante

Nel 2018, i ricercatori dell'Università del Wisconsin-Madison e i collaboratori hanno usato un modello forestale casuale formato sui dati DFT per proiettare oltre 3.000 composizioni semi-Heusler. Il modello prevedeva diverse composizioni non reimportate con fattori di potenza elevati.

Ottimizzazione della Doping Skutterudite

Un altro esempio riguarda l'ottimizzazione di skutterudites riempito per applicazioni a media temperatura. I Skutterudites hanno la formula generale RM4X12 (R = riempimento di terra raro, M = Co, Fe, X = P, As, Sb). Le specie di riempimento e la concentrazione influenzano notevolmente la conducibilità termica e il fattore di potenza.

Sfide e limitazioni

Qualità e standardizzazione dei dati

I valori sperimentali ZT]] dei diversi laboratori possono variare ampiamente a causa delle differenze nelle tecniche di misura (ad esempio, van der Pauw vs. four‐probe, laser flash vs. conducibilità termica costante-stato). Inoltre, i valori pubblicati spesso omettono stime di incertezza.

Modello Interpretibilità

Molti modelli di apprendimento automatico agiscono come scatole nere, rendendo difficile estrarre le intuizioni fisiche. Ad esempio, un modello potrebbe prevedere con precisione l'alto ZT per una composizione ma non fornire spiegazioni di quali caratteristiche atomiche guidare la previsione.

Loop di convalida sperimentale

Anche il miglior modello di apprendimento automatico non può garantire che un materiale predetto sia sintetizzabile o stabile in condizioni operative. Molte previsioni ad alto rendimento sono state invalidate dalla concorrenza di fase o dalla decomposizione durante la sintesi. Per chiudere il ciclo, i ricercatori combinano ML con analisi della stabilità di fase[]] candidati (tramite i calcoli di scafo da DFT) e feedback sperimentali.

Le direzioni future

Imparare attivo e ottimizzazione baiese

Oltre a uno schermo a uno schermo, l'apprendimento attivo integra il feedback sperimentale nel modello in tempo reale. L'algoritmo prevede non solo le prestazioni attesi ma anche l'incertezza. Quindi seleziona i candidati che sono prevedibili per essere ad alta qualità (esploitation) o altamente incerti (esplorazione). Questa strategia è stata applicata con successo per ottimizzare i parametri di crescita del film sottile e ora è adattata per i materiali termoelettrici di massa.

Modelli generosi per il design inverso

Il design inverso capovolge il paradigma: invece di proiezioni di composizioni note, il modello impara a generare strutture completamente nuove di cristallo con proprietà di destinazione. Gli autoencoders variabili (VAEs) e le reti adversariali generative (GAN) possono produrre strutture candidate mappando lo spazio chimico su uno spazio continuo latente.

Multi-fidelity e metodi ibridi

La modellazione multi-fidelity combina dati economici e poco precisi (ad esempio, potenziali empirici veloci) con dati costosi e ad alta precisione (ad esempio, DFT con funzioni ibride).

Conclusioni

La ricerca di un elevato rendimento, alimentata dall'apprendimento automatico, ha cambiato fondamentalmente il ritmo della scoperta dei materiali termoelettrici. Attraverso una navigazione efficiente dell'enorme spazio chimico e strutturale, queste tecniche hanno portato all'identificazione di diversi nuovi composti ad alte prestazioni e hanno ridotto il tempo dall'ipotesi alla convalida da anni a mesi.

Per ulteriori informazioni sui metodi computazionali discussi, Review in npj Computational Materials[] fornisce un'eccellente panoramica dell'apprendimento automatico nella scoperta dei materiali inorganici.