Термоэлектрические материалы обладают уникальной способностью преобразовывать тепло непосредственно в электричество, что делает их жизненно важными для сбора энергии и рекуперации отработанного тепла. Открытие высокопроизводительных термоэлектрических материалов традиционно было медленным и дорогостоящим процессом. Однако недавние достижения в алгоритмах машинного обучения ускоряют открытие и оптимизацию этих материалов, позволяя исследователям проверять тысячи кандидатов вычислительно до синтеза одного образца. В этой статье исследуется, как методы ML меняют поиск эффективных термоэлектриков, алгоритмы, стоящие за прорывами, и путь вперед.

Термоэлектрические материалы и фигура заслуги ZT

Термоэлектрические материалы характеризуются их эффективностью, измеряемой безразмерной фигурой достоинства ZT. Более высокая ZT указывает на лучшую производительность.ZT = S2σT/κ, где SSσTT — это абсолютная температура, κ требует тонкого баланса: материалы должны иметь высокую электропроводность и коэффициент ЗЕЕБЕК, одновременно обладая низкой теплопроводностью.ZT, при этом данная комбинация редко приводит к высокой электропроводности, а кристаллическая структура, усиливающая рассеивание фононов (для снижения решёточной теплопроводности) часто ухудшает подвижн

Вызов традиционного открытия

Исторически открытие новых термоэлектрических материалов опиралось на эксперименты , основанные на исследовании и ошибке. Исследователи синтезировали бы соединения-кандидаты, измеряли их транспортные свойства, а затем итерационно на основе интуиции или физических моделей. Этот подход медленный: один цикл синтеза и характеристики может занять недели, а химическое пространство возможных неорганических соединений огромно — оценивается более чем в 1010 для одних только четвертичных систем. Кроме того, отношения между составом, структурой и термоэлектрическими характеристиками являются высоко нелинейными и включают конкурирующие механизмы. Многие перспективные кандидаты упускаются из виду, потому что традиционный скрининг не может покрыть обширный комбинаторный ландшафт. Необходимость ускоренного обнаружения является неотложной, особенно по мере роста спроса на восстановление отработанного тепла и твердотельное охлаждение.

Машинное обучение: смена парадигмы

Алгоритмы машинного обучения могут анализировать большие наборы данных известных материалов для выявления закономерностей и прогнозирования свойств новых соединений, резко сокращая количество необходимых экспериментов. Модели ML обучаются существующим данным (например, из экспериментов или расчетов теории функционала плотности (DFT)) и изучают отображение между дескрипторами - такими как элементная композиция, особенности кристаллической структуры и электронные свойства - и целевые значения, такие как ] ZT . После обучения модель может прогнозировать производительность для тысяч неисследованных композиций за секунды, позволяя исследователям сосредоточить усилия по синтезу на наиболее перспективных кандидатах. Этот подход, основанный на данных, уже привел к открытию новых термоэлектриков, включая рекордно эффективные полу-гейслеровские соединения и модифицированные системы олова селенида.

Как ML-модели предсказывают термоэлектрические свойства

Создание эффективной модели ML для термоэлектрических материалов требует тщательного выбора дескрипторов и характеристик. Общие признаки включают элементные свойства (электронегативность, атомный радиус, валентный электрон), дескрипторы кристаллической структуры (космическая группа, параметры решетки, плотность) и производные величины (диапазон, эффективная масса, температура Дебая). Для глубокого обучения необработанные данные структуры могут быть закодированы как графы (узлы для атомов, края для связей) через кристаллические графовые сверточные сети (CGCN) или как изображения электронной плотности. Затем модель учится соотносить эти особенности с экспериментальными или вычисленными ЗТ значения. Ключевая задача состоит в том, что ЗТ зависит от множества конкурирующих транспортных коэффициентов, поэтому многие модели вместо этого предсказывают отдельные компоненты (ко

Ключевые алгоритмы машинного обучения в материаловедении

Несколько классов алгоритмов доказали свою эффективность в ускорении открытия термоэлектрических материалов:

  • Надзорное обучение: Используется для прогнозирования ZT или транспортных коэффициентов из меченых данных.Популярные модели включают случайные леса, усиление градиента (например, XGBoost, LightGBM) и поддержку векторной регрессии. Эти методы хорошо работают на табличных данных с умеренной размерностью и обеспечивают ранжирование значимости признаков, которые помогают идентифицировать физически релевантные дескрипторы.
  • Глубокое обучение: Нейронные сети — особенно сети, ориентированные на будущее, сверточные нейронные сети (CNN) для структурных изображений и графовые нейронные сети (GNN) для кристаллических графов — могут захватывать сложные, нелинейные взаимодействия.CGCNN (Crystal Graph Convolutional Neural Network) используется для прогнозирования энергий формирования и полосовых разрывов с высокой точностью, и адаптации теперь нацелены на термоэлектрические свойства.
  • Неконтролируемое обучение: Алгоритмы кластеризации (k-средства, DBSCAN) и уменьшения размерности (PCA, t-SNE) помогают идентифицировать семейства подобных материалов или выбросов, которые могут представлять неоткрытые фазы высокой производительности.В сочетании с контролируемыми моделями неконтролируемые методы могут предлагать совершенно новые классы материалов для исследования.
  • Генеративные модели: Вариационные автокодеры (VAE) и генеративные состязательные сети (GAN) могут предлагать новые кристаллические структуры или композиции, изучая базовое распределение известных хороших термоэлектриков. Эти модели все еще появляются, но обещают обратный дизайн — определение цели ZT и наличие алгоритма, предлагающего синтез-осуществимый материал.

Случайные леса и повышение градиента

Случайные леса и деревья с градиентным повышением часто являются первым выбором для табличных данных материалов. Они обрабатывают недостающие значения, захватывают взаимодействия признаков и устойчивы к выбросам. В термоэлектрическом открытии они использовались для прогнозирования ZT для полу-гейслеровых соединений с ошибками ниже 0,2 после обучения на данных, вычисленных с помощью DFT. Важность особенностей этих моделей показывает, что средняя атомная масса , кристаллическая симметрия и валентное количество электронов являются сильными предикторами теплопроводности, направляя исследователей к более тяжелым, более сложным структурам.

Нейронные сети и глубокое обучение

Методы глубокого обучения превосходят, когда входные данные являются высокоразмерными или иерархическими. Для термоэлектриков нейронные сети кристаллического графа (например, CGCNN, MEGNet, MatErials Graph Network) непосредственно кодируют атомные связи и локальные среды, изучая структурные особенности без ручной инженерии функций. Эти модели достигли современной точности для прогнозирования свойств в нескольких базах данных материалов. Недавнее исследование использовало GNN для скрининга более 20 000 гипотетических полу-Хойслеровых композиций, идентифицируя десять, которые были экспериментально подтверждены, чтобы иметь ZT > 1 при 700 K — частота успеха, неслыханная в традиционных пробных и ошибочных исследованиях.

Генеративные модели для новых соединений

Генеративные модели выходят за рамки предсказания, чтобы фактически создать новые материалы-кандидаты. Вариационный автокодер, обученный на большом наборе известных термоэлектрических структур, может быть использован для декодирования новых композиций из случайных точек в скрытом пространстве. Обусловливая декодер желаемым диапазоном ZT, исследователи могут генерировать формулы-кандидаты, которые удовлетворяют целевым показателям производительности. Хотя большинство генерируемых материалов по-прежнему требуют проверки DFT, этот метод значительно расширяет исследуемое пространство и уже предложил n-типа сплавов на основе Mg3Sb2, которые были позже измерены, чтобы иметь ZT = 1,5.

Преимущества подходов машинного обучения

ML ускоряет процесс открытия, сужая список перспективных кандидатов до экспериментальной проверки. Это уменьшает количество синтезов на порядки — от тысяч до десятков — экономя время и ресурсы. Например, традиционный скрининг четвертичных халькогенидов может потребовать много лет работы; модель ML, обученная на 10 000 образцах, может расставлять приоритеты среди 50 лучших кандидатов за часы. Кроме того, ML может предлагать материалы, которые не являются интуитивно понятными на основе обычных физических рассуждений, потому что алгоритм обнаруживает скрытые корреляции в высокоразмерных данных. Это привело к открытию термоэлектриков с неожиданными комбинациями элементов, таких как BaAg2SnSe4 , который проявляет сверхнизкую теплопроводность из-за его слоистой кристаллической структуры.

Еще одним преимуществом является возможность интеграции с высокопроизводительными расчетами DFT. Используя ML в качестве суррогатной модели для замены дорогостоящих запусков DFT, исследователи могут сканировать миллионы композиций за долю времени. Этот цикл активного обучения — где модель предлагает новых кандидатов, DFT оценивает их, а результаты обновляют модель — может быстро сходиться на глобальном оптимуме. Такие рабочие процессы замкнутого цикла теперь автоматизируются в платформах ускорения материалов (MAP) в таких учреждениях, как MIT и Национальная лаборатория Лоуренса Беркли.

Тематические исследования: ML в термоэлектрическом открытии

Несколько недавних успехов иллюстрируют силу открытия, основанного на ML:

  • Полу-Хойслер Суперлаттикс: Команда из Университета Дьюка использовала случайные леса и нейронные сети для скрининга более 300 000 композиций полу-Хойслер. Их модель предсказала, что соединения на основе TiNiSn, легированные избытком Ni или Cu, достигнут ZT > 1.2. Экспериментальная валидация подтвердила пик ZT 1.4 в TiNi1.15Sb при 950 К, улучшение на 40% по сравнению с исходным уровнем.
  • Модификации SnSe: Тин селенид (SnSe) известен своей записью ZT из 2,6 в одиночных кристаллах, но его анизотропия и механические свойства ограничивают применение. Используя усиление градиента, исследователи определили Na-допинг поликристаллов SnSe с ZT = 2,1 при 773 К, достигая сопоставимой производительности в масштабируемой форме.
  • Высокопроизводительный скрининг окислов: Модель ML, обученная на 1500 известных оксидах, предсказала, что суперрешетки на основе SrTiO3 будут иметь низкую теплопроводность решётки из-за наноразмерных границ зерна. Последующие эксперименты подтвердили 50%-ное снижение κL по сравнению с объемным SrTiO3.

Проблемы и ограничения

Несмотря на свои преимущества, открытие на основе ML сталкивается со значительными препятствиями. Дефицит данных и качество являются наиболее насущными проблемами. ZT по-прежнему мало — менее 10 000 соединений имеют надежные экспериментальные данные, и многие измерения проводятся в разных условиях (температура, уровень допинга), что затрудняет их сравнение. Расчеты DFT могут дополнять данные, но они дороги для больших наборов и страдают от известных ошибок (например, утечка данных в полосе недооценки). Кроме того, утечка данных между тренировочными и тестовыми наборами (например, аналогичные составы) могут раздувать показатели производительности; необходимо тщательное разделение по семейству материалов.

Модульная интерпретируемость — ещё одна проблема. Глубокие нейронные сети — это чёрные ящики, что затрудняет извлечение физических данных или доверие к предсказаниям для экстраполяции далеко от данных обучения. Исследователи разрабатывают объяснимые методы ИИ, такие как значения SHAP (SHapley Additive exPlanations), чтобы понять, какие функции приводят к предсказаниям. Однако многие промышленные и академические команды по-прежнему предпочитают более простые модели (например, случайные леса), которые обеспечивают явную важность функции.

Предсказание нераспределённости остаётся рискованным. Модель ML, обученная известным термоэлектрическим семействам (например, полу-Гойслерам и халькогенидам), может плохо работать на совершенно новых типах структур (например, фазах на основе бора или металлоорганических структурах). Комбинирование ML с физическими ограничениями (например, транспортным уравнением Больцмана) или использование активных стратегий обучения может смягчить это, но проблема далека от решения.

Будущие направления

В следующем десятилетии на пересечении ML и термоэлектриков будет наблюдаться несколько интересных разработок:

  • Интеграция с автоматизированными лабораториями: Робототехника и ML сливаются в самоуправляемые лаборатории, которые автоматически синтезируют соединения, измеряют свойства и обновляют модели в режиме реального времени. Такие системы могут экранировать тысячи композиций в месяц, резко ускоряя открытие.
  • Объясняемый и физико-информированный ИИ: Новые архитектуры, которые включают физические законы (например, сохранение энергии, транспортные уравнения) в качестве индуктивных смещений, улучшат экстраполяцию и доверие. Физик-информированные нейронные сети (PINN) уже используются для решения транспортного уравнения Больцмана для термоэлектриков, предоставляя прогнозы свойств, которые уважают фундаментальную физику.
  • Федерированное обучение для обмена данными:] Одним из препятствий для больших наборов данных является то, что многие экспериментальные группы неохотно делятся сырыми данными.Федерированное обучение позволяет нескольким учреждениям обучать общую модель без обмена запатентованными данными, что позволяет использовать глобальную модель термоэлектриков.
  • Многоцелевая оптимизация: Реальные термоэлектрические устройства требуют не только высокой ZT, но и механической прочности, термостойкости и низкой токсичности. Будущие модели ML будут одновременно оптимизировать несколько целей, предлагая материалы, которые уравновешивают производительность с технологичностью.

Открытые базы данных, такие как AFLOW и Thermoelectrics Database, быстро растут, обеспечивая более богатые учебные наборы.В сочетании с достижениями в генеративных моделях и высокопроизводительной DFT, темпы новых термоэлектрических открытий готовы к экспоненциальному ускорению.

Заключение

Алгоритмы машинного обучения преобразовали поиск высокопроизводительных термоэлектрических материалов, переместив парадигму от медленного, основанного на интуиции экспериментирования к быстрому, ориентированному на данные открытию. Используя контролируемое обучение, глубокие нейронные сети и генеративные модели, исследователи теперь могут экранировать миллионы композиций и идентифицировать многообещающих кандидатов с беспрецедентной скоростью. В то время как остаются проблемы - особенно в качестве данных, интерпретируемости моделей и экстраполяции - интеграция ML с автоматизированным экспериментированием и физическим ИИ обещает обеспечить термоэлектрики следующего поколения с ZT > 2. Эти материалы разблокируют эффективное восстановление тепла, твердотельное охлаждение и производство электроэнергии для портативных устройств, внося прямой вклад в глобальную энергетическую устойчивость.