Termoelektrik Enerji Dönüşümü

Termoelektrikli malzemelerle elektrik enerjisinin doğrudan dönüşümü, sürdürülebilir enerji çözümleri için önemli bir sözdür. Termoelektrik jeneratörleri endüstriyel süreçlerden, otomotiv egzozundan ve hatta vücut ısısından atık ısısını geri alabilir, hareketli parçalar veya emisyonlar olmadan bize uygulanabilir elektrik dönüştürebilir, termoelektrik teknolojisinin yaygın olarak benimsenmesi ticari olarak mevcut malzemelerin mütevazı verimliliğinin sınırlıdır.

Malzeme keşfine yönelik geleneksel yaklaşımlar, tek bir bileşik tanımlamak için her zaman yoğundur. Potansiyel termoelektrik materyallerinin milyarlarca inorganik kristalin üzerinde tahmin edilen kimyasal alanı ile, makine öğrenimi tarafından hızlandırılmış olan bu deneme-ve-terör süreci hem zamanlayıcıdır (ML), büyük adaylara ve yönlendirme çerçevesini sistematik olarak değerlendirmek ve en umut verici hedeflere doğru yönlendirmek için.

Termoelektrik Verimliliği Anlamak

Merit ZT'nin Şekili

Termoelektrik performansı, boyutsız değer rakam tarafından evrensel olarak ölçülmektedir:0)ZT) olarak tanımlanmıştır.[T:2|D) / ⁇ [DÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜSÜDÜDÜDÜSÜSÜSÜSÜSÜSÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜSÜSÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜ

Transport Properties Interplay of Transport Properties

Örneğin, elektrik iletkenliği genellikle göz ardı edilen hataların azaltılmasına yol açar ve her iki özellik de bu karmaşık ilişkileri Wiedemann-Franz yasasıyla ele geçirebilmektedir.Bu nedenle, başarılı bir termoelektrik materyalinin elektronik grubun yapısını ve phonon saç mekanizmalarının dikkatli bir şekilde mühendislikle ayırması gerekir. Stragies, nokta kusurları ve nanoyapımları oluşturmakta ve grupla birlikte bir araya getirebilir.

Major Material Classes

[Dönetici] [Döneticileri [Döneticileri [Döneticileri [Döneticileri [Döneticileri [Döneticileri] [Ceffle) [Ceffle) [Ceffinler) [Ceffinler)[Döneticileri [Ceff)[Döneticileri [Ceff)[Geçmişler için) [Ceffüzler)[iler)

Geleneksel Discovery Şişenecks

Veriye dayalı yöntemlerden önce, yeni bir termoelektrik bileşikinin tipik bir iş akışı takip ettiğini keşfedin: (1) Kimyasal benzerlik veya yapısal analoga dayalı bir adayın incelenmesi; (2) bileşik katı-devlet reaksiyonları, er ya da top değirmeni ile sentezlenir; (3) örnek saflık aşamasında, mikroyapı ve taşıma özellikleri ile karakterize edilir; ve (4) eğer performans vaat edilirse, kompozisyon sistematik olarak sabitlenmiş durumda kalır.Bu döngü potansiyel olarak birçok materyal üzerinden değerlendirilir ve çoğu zaman hayal kırıklığı gösterir.

YüksekThroughput Ekran Paradigm-

C ⁇ Ekranlama: Temp Fonksiyonel Teori

Yüksek lisans hesaplama tarama, Seebeck kat ve elektrik iletkenliği ile ilgili ilk kayıt hesaplamaları silico'daki binlerce bileşik değerlendirmek için kullanır.DFT, araştırmacılar elektronik bant yapıları, etkili kitleler ve deformasyon potansiyellerini hesaplar - tüm bunlar göz önüne alındığında, AFLOW, Malzeme Projesi ile ilgili olarak, milyonlarca adayın taraması D3 gibi artırılmış yaklaşımlar kullanılarak tahmin edilebilir.

Machine Learning ile entegrasyon

Makine öğrenme modelleri, DFT'nin maliyetinin bir kısmında yaklaşık DFT sonuçları olduğu gibi hareket eder.DFT-computed özellikleri, bir model tahmin edilebilir:0)ZT veya milisaniyelerde yeni bileşikler için ilgili miktarlar.DFT ile ilgili olarak, bu tür bir dizi aşamadan oluşmaktadır: (i) onlarca yıllık bir aday kompozisyonu ve kristal yapısını toplamak için büyük bir havuz oluşturabilir; (ii) sıralaması için hafif bir ML modeli çalıştırın; (iii) DFT veya deneyi kullanan üst düzey adaylar için doğrulanır.

Mekanik Malzeme için Makine Öğrenmesi

Data Curation and Feature Engineering

Kalite ve eğitim verileri model performansı için kritiktir. Ortak halk veri setleri, [[0)Malzeme Projesi[Dönetici bileşikleri) ve atomik bileşikleri (profesyonel özellikler için, yüksek çözünürlükte) ve optik komplikeli devreler için, özellikle de sayısal devreler için sayısal ve optik devreler için kullanılan yüksek çözünürlükte bulunan ve sayısal devreler için sayısal devre dışı bırakılır.

Model Seçimi ve Eğitim

rastgele ormanlar, yüksek çözünürlükte bulunan ağaçlar (XGBoost, LightGBM), vektör makineleri ve derin sinir ağları.Regresyon görevleri için [[FONTS:0)ZT veya bileşenleri, veri setleri genellikle mütevazı olduğunda derin öğrenme yöntemleri kullanılır ( birkaç bin) Dikkat mekanizmaları ile ilgili olarak, karmaşık yapı-properlik ilişkileri yakalama için popülerlik kazanıyor. Model değerlendirme kullanır. Model değerlendirme, çapraz-validasyon ve metrikleri kullanır, mutlak hata (MAE) ve R2 için tipik bir MAZTFL aralığına göre.

Sanal Ekranlama ve Candidate Ranking

Eğitimli bir kez, model büyük bir aday kompozisyonları setinde dağıtılır.Her aday için, model çıktıları önceden tahmin edilen bir şekilde DFT'ye geçer. belirsizlik tahminleri ile birlikte değer ( Gaussian süreçleri veya Bayesian sinir ağları gibi olasılıksal yöntemler kullanılarak).

Vaka Çalışmaları ve Başarı Hikayeleri

Yeni Half-Heusler bileşiklerinin keşfi

Önemli bir başarı, umut verici yarı heusler termoelektrik materyallerinin tanımlanmasıdır. 2018 yılında, Wisconsin-Madison ve işbirlikçilerin ikisinin DFT verileri üzerinde 3000 yarı heusler kompozisyonu ekran için eğitilmiş rastgele bir orman modeli kullandığını doğruladı.[Dönemli kompozisyonlar).

Skutterudite Doping

Başka bir örnek, orta sıcaklık uygulamaları için dolu keklerin optimizasyonunu içerir. Skudites genel formül RM4X12 (R = nadir yer dolgusu, M = Co, Fe, X = P, Sb). Tamamlanan türler ve dramatik bir şekilde termal iletkenlik ve güç faktörü. 200'den fazla RM4X12'den fazla eğitimli bir çift-parlaklı ölçümler kullanarak, bir takım maksimum kompozisyonlar maksimum maksimum için en uygun şekilde en iyi şekilde gerekli olan kompozisyonlar.

Meydanlar ve Sınırlar

Data Quality and Standardization

“Batça, çöpler” özellikle ilgili. ExperimentalurFLT:0)ZT) Farklı laboratuvarlardan gelen değerler ölçüm tekniklerindeki farklılıklar nedeniyle geniş ölçüde değişebilir (örneğin, van der Pauw vs. dört-probe, lazer flaş vs. sabit-state termal iletkenlik). Ayrıca, yayınlayıcı modeller, fiziksel hatalardan ziyade sistematik olarak kanıtlanmış modeller.

Model Yorumability

Birçok makine öğrenme modeli siyah kutular olarak hareket eder, fiziksel bilgileri rasyonel olarak tasarlamayı zorlaştırabilir. Örneğin, bir model yüksek çözünürlüklüFLT:0)ZT), bir kompozisyon için ancak atomik özelliklerin tahmin edemeyeceği bir açıklama sağlar. Bu, zihinsel olarak yeni malzemeler tasarlama yeteneğinin aktif bir araştırma alanı gibi.

Deneysel Geçerlilik

En iyi makine öğrenimi modeli bile tahmin edilen bir malzemenin işletim koşullarında sentezlenebilir veya stabil olduğunu garanti edemez. Birçok yüksek kodlu tahminler sentezleme aşamasındaki rekabet veya sentez sırasındaki en bilgilendirici adaylara son vermede, araştırmacılar bu meydan okuma ile bir araya gelir.).

Future Yol Tarifi

Aktif Öğrenme ve Bayesian Optimizasyon

Bir tek ekrandan ziyade, aktif öğrenme gerçek zamanlı modele deneysel geri bildirim entegre eder. Algoritma sadece beklenen performansı değil aynı zamanda belirsizlikleri de belirler.Bu nedenle her ölçümin pahalı olduğu tahmin edilen deneysel kampanyalar için iyi bir şekilde uygun seçimdir.

Inverse Design için Generative Models for Inverse Design

Ters tasarım paradigmayı döndürür: Bilinen kompozisyonlar yerine, model, hedef özellikleri olan tamamen yeni kristal yapılar üretmek öğrenir. Variational autoencoders (VAEs) ve jeneratif adversarial ağları (GANs) haritalamalar ile adayın yapılarını sürekli geç bir alana kadar üretebilir.Bu adaylar hala en son derece endoftal sentez bekliyorlar, ancak erken sonuçlar elde edilebilir yarı heusler ve skler ve skutteredite yapıları.

Multi-faş ve Hibrit Yöntemler

Multifaş modelleme ucuz, düşük ücretli verileri birleştirir (örneğin, hızlı ampirik potansiyeller) pahalı, yüksek ücretli verilerle (örneğin, DFT ile birlikte, hibrit fonksiyonellerle ilgili olarak).DFT seviyesi arasındaki hatayı öğrenmek için, bu modeller DFT seviyesi hesaplamaları gerektiğinde çok daha az maliyetli hesaplamalar yapabilir.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Makine öğrenimi ile desteklenen yüksek aktarım, temel olarak, termoelektrik materyallerin keşfinin hızını değiştirdi.En verimli şekilde, bu teknikler, birçok yeni yüksek performanslı bileşiklerin tanımlanmasına yol açtı ve yıllar boyunca geçerlilik için termoelektriklerin gelişimini azalttı. Bununla birlikte, veri kalitesindeki zorluklar, model yorumlanabilirlik ve deneysel darbeler devam ediyor. Alan, aktif bir öğrenme, jeneratif tasarım ve çok fazla sadakatli bir şekilde ilerlemeye devam ediyor.

Hesaplama yöntemleri hakkında daha fazla okuma için, [[0|Npj C ⁇ Malzemeler) ile ilgili olarak, termoelektrik özelliklerinin kapsamlı bir genel bakış açısı bulunabilir.