Diseño guiado por aprendizaje automático de termoeléctricos de alto rendimiento basados en Mg: ideas sobre los...

Área de la Ciencia:

• Ciencias de los materiales
• Ciencias de los materiales computacionales
• Física de la materia condensada

Sus antecedentes:

• Los materiales a base de magnesio (Mg) son ecológicos y abundantes, lo que los hace prometedores para aplicaciones termoeléctricas.
• Los métodos experimentales convencionales para descubrir materiales termoeléctricos de alto rendimiento consumen mucho tiempo y son costosos.

Objetivo del estudio:

• Evaluar sistemáticamente los materiales termoeléctricos basados en Mg utilizando computación de alto rendimiento y aprendizaje automático.
• Para aclarar el papel de la expansión térmica en la optimización del rendimiento termoeléctrico.
• Desarrollar un modelo predictivo para acelerar el descubrimiento de materiales termoeléctricos basados en Mg.

Principales métodos:

• Computación de alto rendimiento para la selección de materiales.
• Aprendizaje automático, específicamente un modelo XGBoost, para la predicción de propiedades.
• Análisis de los efectos de la expansión térmica en las propiedades del material.

Principales resultados:

• La expansión térmica influye críticamente en la cifra de mérito termoeléctrico (ZT) en los sistemas basados en Mg.
• La expansión térmica mejora la inharmonía del material, reduciendo la conductividad térmica de la celosía.
• La expansión térmica concentra la densidad de los estados cerca del nivel de Fermi, aumentando potencialmente el coeficiente de Seebeck.

Conclusiones:

• La expansión térmica es un factor clave para optimizar los materiales termoeléctricos basados en Mg.
• Se establece un marco teórico universal para la optimización de materiales termoeléctricos.
• Un modelo XGBoost preciso facilita la detección rápida y el descubrimiento de materiales termoeléctricos de alto rendimiento basados en Mg.