混合数据驱动的发现高性能银化基热电复合材料的混合数据驱动的发现

科学领域:

• 材料科学 材料科学 材料科学
• 热电学是一种热电学.
• 在材料发现领域的机器学习

背景情况:

• 优化热电材料需要探索广的组合空间,往往超过传统领域的知识限制.
• 现有的材料组成优化方法往往是耗时和低效的.
• 数据驱动的策略提供了一条加速材料发现和性能提升的途径.

研究的目的:

• 开发和演示一个混合数据驱动的战略,以优化热电材料组合.
• 为了高效地搜索基于AgSe的热电材料的复杂组成设计空间.
• 为了加速发现高性能热电材料.

主要方法:

• 贝叶斯优化 (BO) 和高斯过程回归 (GPR) 的集成用于指导材料探索.
• 利用文献数据进行初始模型训练,随后进行代更新,并提供实验结果.
• 采用高通量油墨混合和叶片涂层方法进行材料合成.

主要成果:

• 在七次代中,在基于AgSe的优化材料中实现了2100μW m^-1 K^{-2 的功率系数.}
• 与基线复合物 (Ag₂ Se₁) 相比,功率因子得到了75%的改善.
• 在基于AgSe的材料中成功优化了五个元素 (Ag,Se,S,Cu,Te) 的组成.

结论:

• 混合BO-GPR方法有效地加速了热电材料组合的优化.
• 这种主动机器学习技术可以被通用化,以优化各种材料系统.
• 减少实验试验是可以实现的,导致更快的材料开发周期.