Termoelektrik malzemeleri, ısıyı doğrudan elektrik haline getirmenin eşsiz yeteneği vardır, onları tek bir örnekle hesaplamadan önce enerji üretimi ve atık ısı kurtarma için hayati öneme sahiptir.Bu makale, verimli termoelektrik malzemelerinin aramayı geleneksel olarak nasıl yeniden şekillendirdiğini araştırıyor. ancak, makine öğrenimindeki son gelişmeler (ML) algoritmaların keşfi ve optimizasyonunu hızlandırıyor, araştırmacıların binlerce adayın tek bir örneği test etmesi için bir şekilde optimize etmesine izin veriyor.

Termoelektrik Malzemeleri ve Başarı ZT

Termoelektrikli malzemeler verimlilikleriyle karakterize edilir, boyutsız değerle ölçülmelidir:0)ZT[DÜDÜSÜSÜSÜye Olmayanlar İçin Yüksek Lisans:2)ZFLT[DÜye Olmayanlar İçindekiler [DÜye Olmayanlar İçindekiler İçindekiler İçindeler)

Geleneksel Keşif Meydan Okuması

Tarihsel olarak, yeni termoelektrik materyallerini keşfedin, bu yaklaşım yavaştır: tek bir sentez ve karakterizasyon döngüsü, organik bileşiklerin kimyasal alanı, yalnızca nakliye sistemleri için 1010'dan fazla kesintiye uğraması ve sonra kompozisyon, yapı ve termoelektrik performansı arasındaki ilişkiler çok yavaştır: tek bir sentez ve karakterizasyon döngüsü haftaları sürebilir ve birçok umut verici inorganik bileşiklerin kimyasal alanı büyük ölçüde azaltılabilir - en yüksek verimsiz duruma ihtiyaç duyar.

Makine Öğrenmesi: A Paradigm Shift

Makine öğrenme algoritmaları, yeni bileşiklerin desenlerini tanımlamak ve tahmin etmek için bilinen malzemelerin büyük veri kümelerini analiz edebilir, gerekli deneylerin sayısını dramatik bir şekilde azaltır. ML modelleri mevcut veriler üzerinde eğitilir (örneğin, deneyler veya yoğunluk fonksiyonel teori (DFT) hesaplamalar ve haritalamaları öğrenir - elemental kompozisyon, yapı özellikleri ve elektronik özellikler gibi - ve bu tür değerlerin doğruluğunu hedefler.(D)

ML Modelleri Termoelektrik Özellikleri Nasıl Tahmin Ediyor

Termoelektrik malzemeleri için etkili bir ML modeli oluşturmak, elemental özellikleri (örneğin, atomik elektron sayımı) ve bu tür sistemlere karşı (düşük parametreleri, yoğunluk) kıyasla, sayısal ölçümler (önelmeler) ile ilgili olarak, sayısal yöntemlere bağlı olarak, sayısal sistemlere veya sayısal sistemlere bağlı olarak, sayısal sistemlere bağlı olarak, sayısal sistemlere veya sayısal sistemlere bağlı olarak, sayısal sistemlere bağlı olarak, sayısal sistemlere bağlı olarak, sayısal sistemlere bağlı olarak, sayısal sistemlere bağlı olarak, sayısal sistemlere bağlıdır.

Malzeme Biliminde Anahtar Makine Öğrenme Algoritmaları

Çeşitli algoritmaların sınıfları termoelektrik malzemeleri keşfini hızlandırmış durumda başarılı oldu:

  • [FONT:0) Süpervised Learning:[Dönetici: )ZT) veya etiketli veri tabanlarını etiketleyen anahtarlama modelleri rastgele ormanları içerir, gradient yükselteç (e.g., XGBoost, LightGBM), ve vektör regresyonunu desteklemek için kullanılır.Bu yöntemler, fiziksel olarak ilgili tanımlayıcı verileri inceler ve ilgili tanımlayıcıları tanımlamak için iyi çalışır.
  • [FONT:0) Deep Learning:[Dönetici ağları – özellikle de yem ağı, konvolutional nural Network (CNNs) for structure images ve grafikler için nöral ağlar (GNNs) yüksek doğrulukla, ve adaptasyonlar için karmaşık, hedef termoelektrik özellikleri ile ilgili olarak kullanılır.
  • [FONT:0) Denetimli Öğrenme:[Dönetici: [DBSCAN) ve boyutsal azalma (PCA, t-SNE) benzer malzemelerin ailelerini veya daha yüksek performans aşamalarını temsil edebilecek yardımcı olur.
  • [FONT:0)Generative Models:[Döneticileri:[Döneticileri) ve jeneratif bir reklam (GANs), bilinen iyi termoelektriklerin alt dağılımını öğrenerek yeni kristal yapıları veya kompozisyonlar önerebilir.Bu modeller hala ortaya çıkıyor ama [[Dön tasarım[Dön tasarım[Döneticileri) ve jeneratif bir hedef haline gelir (GANs) - bir hedefle ilgili olarak bir sentez önerebilir.[FLT: 5)

Rastgele Ormanlar ve Gradient Boostinging

Rastgele ormanlar ve yüksek lisans ağaçları genellikle tabular malzeme verileri için ilk tercih edilir. eksik değerleri ele alır, özellik etkileşimleri yakalar ve bu kılavuzlardan gelen sağlam tonlar.In termoelektrik keşifleri, [DDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDD) için yüksek çözünürlükte yüksek çözünürlükte yüksek çözünürlükte yüksek çözünürlükte yüksek çözünürlükte yüksek çözünürlükte yüksek çözünürlükte (D) ve yüksek çözünürlükte) elektronların yüksek çözünürlükte olduğu için yüksek çözünürlükte olduğu tahmin edilir.

Neural Networks ve Deep Learning

Derin öğrenme yöntemleri, giriş verileri yüksek boyutlu veya hiyerarşik olduğunda öne çıkar. termoelektrikler için, [[Düzücük grafiklere ait diskler) (örneğin, CGCNN, MEGNet, MatErials Graph Network) doğrudan bilgisayarları ve yerel ortamları kullanarak, manuel olarak mühendislik olmadan yapısal özellikleri öğrenmektedir.

Roman bileşikleri için Generative Models for Novel componentss

Generative modeller aslında yeni aday malzemeleri oluşturmak için tahminin ötesine geçiyor. A varyasyonal autoencoder büyük bilinen termoelektrik yapıları, DFT'nin geçerliliğini talep eden yeni kompozisyonları, bu yöntemin, istenen bir uzayda çarpıcı şekilde genişletilmesini talep etti.(0ZT) aralığına göre, araştırmacılar performans hedeflerini karşılayan aday formülleri üretebilirler.

Makine Öğrenme Yaklaşımlarının Avantajları

ML, keşif sürecini deneysel geçerlilik öncesi vaat eden adayların listesini daraltarak hızlandırır.Bu, boyut sıralamalarının siparişlerine göre sinenlerin sayısını azaltır - hem zaman hem de kaynaklar için. Örneğin, geleneksel bir yarı iletkenlik taraması uzun vadede iş gerektirir; 10.000 örnek üzerinde eğitilmiş bir model, saatte en iyi 50 adayı öncelikleyebilir.Ayrıca, ML4'ün üzerinde sezgisel olmayan malzemelere yol açabilir.

Başka bir avantaj, yüksek kodlu DFT hesaplamaları ile entegre etme yeteneğidir. MLBFT'nin çalışmasını sağlamak için bir ek model olarak, araştırmacılar milyonlarca kompozisyonu zaman içinde tarayabilirler.BuurFLT:0) aktif öğrenme) gibi kurumlarda otomatik olarak otomatik hale gelir - model onları değerlendirir ve sonuçları güncelleyebilir - küresel optima.

Vaka Çalışmaları: Termoelektrik Keşifinde ML

Birkaç yeni başarı, ML-güdümlü keşif gücünü göstermektedir:

  • [FONT=0)Half-Heusler Superlattices:[Döneticileri:[Döneticileri) DÖRÜŞÜNÜŞÜNÜde Bir Takım, 300.000'den fazla Heusler kompozisyonunu ekranlayacak şekilde, modellerini tahmin etti.[DÜŞÜNCÜŞÜNCÜŞÜNCÜŞÜNCÜŞÜNCÜŞÜNÜŞÜNCELER: 2,0)NiSb'de 1.500 $ 1.500 $ 1.
  • [FONT:0]SnSe Modifications:[Dönetici:[Dönetici:0)[Döneticileri:0)[Döneticileri:[Döneticileri) ve mekanik özellikleri kullanarak, araştırmacılar Na-doped SnSe polikristalleri kayıtlarıyla bilinir:2).ZT|0|0| 773 K,7|bentilebilir bir şekilde performans elde etmek.
  • [FONT:0) Yüksek performanslı Membranların Ekranlanması:[Dönetici: 1.500'de eğitilmiş bir ML modeli SrTiO3 tabanlı süperlattices) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ }L) SrTiO3 tabanlı süperlattices) ile kıyaslanmış olur.

Meydanlar ve Sınırlar

Avantajlarına rağmen, ML tabanlı keşifler önemli engellerle karşı karşıyadır.ETHFLT:0)Data skarcity ve kalite), verileri ölçen termoelektrik materyallerin sayısı ile ilgili en acil sorunlardır, ancak büyük hatalar için pahalıdır (örneğin, 10.000'den fazla bileşik güvenilir deneysel verilerden dolayı cevap verir ve birçok ölçümler farklı koşullar altında alınır.DFT hesaplamaları karşılaştırmak için zorlaşır.

[FONT:0) Model yorumlama kabiliyeti başka bir meydan okumadır. Deep sinir ağları siyah kutular, fiziksel bilgileri almak veya ekstrapolasyon için fazla bilgi edinmek için zorlaşırlar, eğitim verilerinden uzaktır. Araştırmacılar geliştirilebilir AI) gibi açık bir özelliktedir.

[FONT:0]Out-of-Defion tahmini[[Dönetici:0) Bilinen termoelektrik aileleriyle (örneğin, yarı heusler ve koralcojenitler) ilgili olarak eğitilmiş bir ML modeli tamamen yeni yapı türleri üzerinde kötü performans gösterebilir (örneğin, boron bazlı aşamalar veya metalik çerçeveler).

Future Yol Tarifi

Sonraki on yıl ML ve termoelektrik kesişiminde birkaç heyecan verici gelişme görecek:

  • [FONT:0) Otomatik Laboratuvarlarla Integration: Robotik ve ML otomatik olarak sentezlenen laboratuvarlarda, özellikleri ölçebilir ve gerçek zamanlı olarak güncel modeller oluşturabilir.Bu sistemler ayda binlerce kompozisyonu büyük ölçüde hızlandırabilir.
  • [FONT:0) Açıklanabilir ve Fizik Bilgili AI: [Dönetici: 0 3) Fiziksel yasaları içeren yeni mimariler (örneğin, enerji koruma, taşıma denklemleri) aşırı kutuplaşma ve güven geliştirir. Fizik bilgilendirici ağlar (kırıklar) zaten termoelektrikler için Boltzmann taşıma denklemlerini çözmek için kullanılır.
  • [FONT:0] Data Paylaşımı için Eğitim: Bir bariyer daha büyük veri setlerine karşı bir engel, birçok deneysel grubun ham verileri paylaşma konusunda isteksiz olmasıdır. Federated learning, birçok kurumun küresel termoelektrik modeli değiştirmeden ortak bir modele ulaşmasını sağlar.
  • [FONT:0) Çok-Objective Optimizasyon: Gerçek termoelektrik cihazları sadece yüksek çözünürlüklü değil:2)ZT[D[DDDDDD][3][/TRNT=) ama aynı zamanda mekanik güç, termal istikrar ve düşük toksisite. Future ML modelleri aynı anda birden çok hedef optimize edecek malzemelere yol açacaktır.

Açık veritabanı, jeneratif modeller ve yüksek performanslı DFT gibi açık veri tabanıdır ve üst düzey termoelektrik keşifleri üst düzeye çıkarmak için eklenmiştir.[Döneticiler için).Thermoelektriks Database[DDDDDD:3) hızla büyüyor, zengin eğitim setleri ile bir araya geliyor. jeneratif modeller ve yüksek performanslı DFT ile birlikte, yeni termoelektrik keşiflerinin hızı, üst düzeye yükseltilebilir.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Makine öğrenme algoritmaları yüksek performanslı termoelektrik malzemeleri için aramayı değiştirdi, paradigmayı yavaş, sezgi odaklı deneylerden hızlı, veri kılavuzluk keşfine kadar değiştirdi.netlenen gözetimli öğrenme, derin sinir ağları ve jeneratif modeller, araştırmacılar şimdi milyonlarca kompozisyon ve daha önce gelen hızıyla tanımlayabiliyorlar.