Table of Contents

Введение в термоэлектрическую конверсию энергии

Прямое преобразование тепловой энергии в электрическую энергию с помощью термоэлектрических материалов имеет значительные перспективы для устойчивых энергетических решений. Термоэлектрические генераторы могут восстанавливать отработанное тепло от промышленных процессов, автомобильных выхлопов и даже тепла тела, превращая его в пригодное для использования электричество без движущихся частей или выбросов. Несмотря на десятилетия исследований, широкое внедрение термоэлектрической технологии было ограничено скромной эффективностью коммерчески доступных материалов. Эффективность термоэлектрического материала регулируется тонким балансом электронных и тепловых транспортных свойств, что делает открытие высокопроизводительных соединений огромной проблемой.

Традиционные подходы к открытию материалов основаны на интуиционном синтезе и итеративном экспериментальном тестировании. Этот процесс проб и ошибок является как трудоемким, так и ресурсоемким, часто требующим месяцев для характеристики одного соединения. С химическим пространством потенциальных термоэлектрических материалов, по оценкам, превышающим миллиарды неорганических кристаллов, необходима более эффективная стратегия. Высокопроизводительный скрининг, ускоренный машинным обучением (ML), появился в качестве преобразующей основы для систематической оценки обширных библиотек кандидатов и направления экспериментальных усилий на наиболее перспективные цели.

Понимание термоэлектрической эффективности

Фигура заслуг ZT

Термоэлектрические характеристики универсально количественно определяются безразмерной фигурой достоинства ZT, определяемой как ZT = (S2σT) / κ, где SSσ является электрической проводимостью, TT является абсолютной температурой, а κ требует большого коэффициента мощности ZTS2σ и низкой теплопроводности. Для практического применения считается хорошим ZTZT, в то время как значения выше 2 были достигнуты в некоторых наноструктурированных материалах, таких как суперрешетки Bi2Te3/

Взаимодействие транспортных свойств

Три составляющих свойства сильно взаимозависимы, что делает оптимизацию нетривиальной. Например, повышение электропроводности часто приводит к снижению коэффициента Зеебека, и оба свойства имеют тенденцию к увеличению теплопроводности через закон Видемана-Франца. Поэтому успешный термоэлектрический материал должен разъединять эти параметры посредством тщательной инженерии электронной структуры полосы и механизмов фононного рассеяния. Стратегии включают создание точечных дефектов, наноструктурирование и конвергенцию полос. Модели машинного обучения могут захватывать эти сложные отношения, обучаясь из больших наборов данных вычисленных и измеренных свойств, тем самым предсказывая ZT более точно, чем простые эмпирические правила.

Основные классы материалов

Исследования были сосредоточены на нескольких семействах термоэлектрических соединений:

    • ]]] — структурах, подобных клеткам, которые имеют свои собственные задачи оптимизации, и высокопроизводительный скрининг может быстро идентифицировать допинговые стратегии или новые композиции в этих семействах.
    • [[FLT:

      Традиционные бутылочки Discovery

      До появления методов, основанных на данных, открытие нового термоэлектрического соединения обычно следовало линейному рабочему процессу: (1) исследователь выдвигает гипотезу кандидата на основе химического сходства или структурной аналогии; (2) соединение синтезируется посредством реакции твердого тела, плавления или шаровой фрезерования; (3) образец характеризуется фазовой чистотой, микроструктурой и транспортными свойствами; и (4) если производительность многообещающая, состав уточняется с помощью систематического допинга. Этот цикл может занять месяцы на материал и часто дает разочаровывающие результаты, потому что первоначальная гипотеза неверна. Проблема усугубляется отсутствием всеобъемлющих баз данных: опубликованные данные часто разбросаны по журналам и измеряются в непоследовательных условиях. В результате многие потенциально высокоэффективные материалы остаются неисследованными.

      Высокопроизводительная парадигма скрининга

      Вычислительный скрининг с помощью функциональной теории плотности

      Высокопроизводительный вычислительный скрининг использует расчеты первых принципов для оценки тысяч соединений в силико. Используя теорию функционала плотности (DFT), исследователи могут вычислять структуры электронных полос, эффективные массы и потенциалы деформации - все из которых относятся к коэффициенту Зеебека и электрической проводимости. Теплопроводность решетки может быть оценена через модель Slack или более поздние подходы, дополненные машинным обучением, такие как D3. Однако расчеты DFT являются вычислительно дорогостоящими и даже с автоматизированными рабочими процессами (например, AFLOW, Materials Project), скрининг миллионов кандидатов непрактичен. Это где машинное обучение преодолевает разрыв.

      Интеграция с машинным обучением

      Модели машинного обучения выступают в качестве суррогатных функций, которые приближают результаты DFT за небольшую часть стоимости. Путем обучения на кураторской базе данных DFT-вычисленных свойств модель может предсказать ZT или связанные с ними количества для новых соединений за миллисекунды. Высокопроизводительный трубопровод обычно состоит из трех этапов: (i) генерировать или собирать большой пул композиций кандидатов и кристаллических структур; (ii) запускать легкую модель ML для ранжирования кандидатов; (iii) проверять кандидатов с самым высоким рейтингом с использованием DFT или эксперимента. Этот итеративный процесс может уменьшить пространство поиска от миллионов до десятков перспективных материалов.

      Машинное обучение рабочий процесс для термоэлектрических материалов

      Обработка данных и разработка функций

      Качество и количество данных обучения имеют решающее значение для производительности модели. Общие общедоступные наборы данных включают в себя Materials Project (более 150 000 неорганических соединений), AFLOWlib и Open Quantum Materials Database. Для термоэлектрического скрининга особенности получаются из элементных свойств (атомный радиус, электроотрицательность, количество валентных электронов) и структурных дескрипторов (координационные числа, объем на атом, длина связей). Также используются композиционные и структурные отпечатки, такие как матрица Сине-Куломба, тесселяция Вороноя или представления на основе графов. Для разработки характеристик часто требуется экспертиза домена: например, особенности, которые коррелируют с зазором полосы или диэлектрической постоянной, особенно актуальны для коэффициента мощности.

      Выбор модели и обучение

      Применялись различные алгоритмы, в том числе случайные леса, деревья с градиентным скачком (XGBoost, LightGBM), машины с опорным вектором и глубокие нейронные сети. Для задач регрессии, предсказывающих ZT или его компоненты, методы ансамбля часто превосходят глубокое обучение, когда наборы данных скромны по размеру (несколько тысяч записей). Нейронные сети с механизмами внимания набирают популярность для захвата сложных отношений структура-свойство. Оценка модели использует перекрестную валидацию и метрики, такие как средняя абсолютная ошибка (MAE) и R2. Типичный MAE для предсказания ZT в литературе колеблется от 0,1 до 0,3, что достаточно для сужения пула кандидатов.

      Виртуальный скрининг и рейтинг кандидатов

      После обучения модель развертывается на большом немаркированном наборе композиций кандидатов. Для каждого кандидата модель выводит предсказанное значение ZT вместе с оценками неопределенности (если использовать вероятностные методы, такие как гауссовые процессы или байесовские нейронные сети). Кандидаты затем отсортируются по прогнозируемой производительности, а верхние сотни передаются в DFT для подтверждения. Этот иерархический подход экономит недели вычислительного времени. Некоторые рабочие процессы включают многообъективную оптимизацию для максимизации ZT при обеспечении синтезируемости или термической стабильности.

      Тематические исследования и истории успеха

      Открытие новых соединений полу-Хойслера

      Заметным успехом является идентификация перспективных полу-Хойслер термоэлектрических материалов. В 2018 году исследователи из Университета Висконсин-Мэдисон и его сотрудники использовали случайную лесную модель, обученную на данных DFT, для скрининга более 3000 композиций полу-Хойслер. Модель предсказала несколько незарегистрированных композиций с факторами высокой мощности. Экспериментальный синтез и характеристика подтвердили, что две из них, p -тип ZrNiSn и n -тип HfCoSb, превысили производительность известных полу-Хойслеров на 20%. Исследование показало, что машинное обучение-управляемый скрининг может ускорить открытие в десять раз по сравнению с традиционными методами.

      Оптимизация скуттерудистского допинга

      Другой пример включает оптимизацию заполненных скуттерудитов для среднетемпературных применений. Скуттерудиты имеют общую формулу RM4X12 (R = редкоземельный наполнитель, M = Co, Fe, X = P, As, Sb). Вид наполнителя и концентрация резко влияют на теплопроводность и коэффициент мощности. Используя модель повышения градиента, обученную на экспериментальных данных из более чем 200 заполненных скуттерудитов, команда предсказала оптимальные композиции наполнителя для максимального ZT при 700 K. Модель предложила двухнаполненную композицию (Ba,La)Fe4Sb12 с предсказанной ZT 1,3, которая позже была проверена экспериментально. Этот подход уменьшил количество необходимых синтезов от сотен до дюжины.

      Проблемы и ограничения

      Качество данных и стандартизация

      Поговорка «мусор в мусоре» особенно актуальна. Экспериментальные значения ZT из разных лабораторий могут широко варьироваться из-за различий в методах измерения (например, ван дер Паув против четырехзондовой, лазерная вспышка против устойчивой теплопроводности). Кроме того, опубликованные значения часто опускают оценки неопределенности. Вычислительные данные, хотя и последовательны, могут быть неточными, если функция корреляции обмена плохо подходит для материала (например, недооценка разрыва в полосе в стандартном DFT). Без тщательного курирования модели учатся систематическим ошибкам, а не истинным физическим тенденциям. Текущие усилия, такие как Консорциум данных термоэлектриков , направлены на создание стандартизированных, курируемых баз данных.

      Модель интерпретируемости

      Многие модели машинного обучения действуют как черные ящики, что затрудняет извлечение физических данных. Например, модель может точно предсказать высокий ZT для композиции, но не дает объяснения, какие атомные особенности управляют предсказанием. Это ограничивает способность рационально проектировать новые материалы. Методы интерпретации, такие как SHAP (SHapley Additive exPlanations) и частичные схемы зависимости используются для выявления ключевых дескрипторов — таких как валентное количество электронов, атомная масса и разрыв фононной полосы. Преодоление предсказаний черного ящика с физической теорией остается активной областью исследований.

      Экспериментальная валидация Loop

      Даже лучшая модель машинного обучения не может гарантировать, что предсказанный материал синтезируемый или стабильный в условиях эксплуатации. Многие прогнозы высокой пропускной способности были признаны недействительными в результате фазовой конкуренции или разложения во время синтеза. Чтобы закрыть цикл, исследователи объединяют ML с анализом стабильности фазы (через выпуклые вычисления корпуса из DFT) и экспериментальной обратной связью. Активные учебные рамки, где модель итеративно выбирает наиболее информативных кандидатов для экспериментальной проверки, демонстрируют перспективность в решении этой проблемы.

      Будущие направления

      Активное обучение и байесовская оптимизация

      Вместо одноразового экрана активное обучение интегрирует в модель экспериментальную обратную связь в режиме реального времени. Алгоритм прогнозирует не только ожидаемую производительность, но и неопределенность. Затем он выбирает кандидатов, которые либо прогнозируются как высокопроизводительные (эксплуатация), либо очень неопределенные (исследование). Эта стратегия успешно применяется для оптимизации параметров роста тонкопленочных материалов и в настоящее время адаптируется для термоэлектрических объемных материалов. Байесовская оптимизация, в частности, хорошо подходит для экспериментальных кампаний, где каждое измерение является дорогостоящим.

      Генеративные модели для обратного дизайна

      Обратный дизайн переворачивает парадигму: вместо скрининга известных композиций модель учится генерировать совершенно новые кристаллические структуры со свойствами-мишенями. Вариационные автокодеры (VAE) и генеративные состязательные сети (GAN) могут создавать структуры-кандидаты, отображая химическое пространство на непрерывное латентное пространство. Для термоэлектриков это все еще зарождается, но ранние результаты генерируют правдоподобные полу-Гойслеровые и скуттерудитовые структуры, которые модель предсказывает иметь ZT выше 2. Эти кандидаты ждут экспериментального синтеза.

      Многоточность и гибридные методы

      Многоточность моделирования сочетает в себе дешевые, низкоточные данные (например, быстрые эмпирические потенциалы) с дорогими, высокоточными данными (например, DFT с гибридными функциями). Изучая погрешность между уровнями, эти модели могут достичь точности уровня DFT, требуя гораздо меньше дорогостоящих расчетов. Для термоэлектрического скрининга это может включать обучение структурам полосы DFT, а затем тонкую настройку на экспериментальных измерениях. Подход особенно ценен для прогнозирования теплопроводности решетки, где стоимость точных фононных расчетов непомерна для больших скринингов.

      Заключение

      Высокопроизводительный скрининг, основанный на машинном обучении, коренным образом изменил темпы открытия термоэлектрических материалов. Благодаря эффективной навигации по огромному химическому и структурному пространству эти методы привели к идентификации нескольких новых высокопроизводительных соединений и сократили время от гипотезы до проверки от лет до месяцев. Тем не менее, проблемы в качестве данных, интерпретируемости моделей и экспериментальной связи остаются. Поле быстро развивается в направлении активного обучения, генеративного проектирования и многоточного моделирования, которые обещают еще больше ускорить разработку термоэлектриков для рекуперации отходов, портативной выработки электроэнергии и твердотельного охлаждения. По мере того, как вычислительные ресурсы и алгоритмы продолжают улучшаться, видение полностью автономной платформы обнаружения материалов может вскоре стать реальностью, разблокируя материалы, которые ранее были вне досягаемости человеческой интуиции.

      Для дальнейшего чтения по рассмотренным вычислительным методам, Обзор в npj Вычислительные материалы обеспечивает отличный обзор машинного обучения в неорганических материалов открытие.Всеобъемлющий набор данных термоэлектрических свойств можно найти в Материалы проекта.