通过生成模型与实验验证相结合,对高性能热电材料进行反向设计
Yanwu Long1,2, Chengquan Zhong1,2, Xiaojing Ma1,2
1School of Materials Science and Engineering, Harbin Institute of Technology, Shenzhen 518055, Guangdong, China.
ACS applied materials & interfaces
|March 20, 2025
概括
发电模型现在可以设计新的热电材料,即使数据有限. 这种人工智能方法成功地确定了高效能源转换的有前途的候选人.
科学领域:
- 材料科学 材料科学 材料科学
- 计算材料科学科学 计算材料科学
- 固态物理 固态物理
背景情况:
- 生成模型为材料科学中的反向设计提供了一种强大的方法.
- 现有的热电材料数据集有限,这阻碍了发现高性能材料,特别是在不同的温度范围内.
- 当前的发电模型在热电材料设计中的数据稀缺性和复杂性方面扎.
研究的目的:
- 开发和应用热电材料的反向设计模型,使用受限制的数据集.
- 通过数据增强和先进的网络架构来增强生成模型性能.
- 在各种温度下识别具有高功率 (zT) 的新型热电材料.
主要方法:
- 增加了一个有限的热电数据集,包括2000个实验文献条目.
- 采用一种包含多样性损失函数和残余网络 (ResNet) 架构的生成模型.
- 应用了预先定义的标准来选产生的材料,以获得高热电功率 (zT).
主要成果:
- 根据高zT标准,成功生成了100种具有zT值超过1.0的合材料.
- 通过分析状态密度 (DOS) 图,确定了25个以前未报告的潜在热电候选物.
- 实验合成和验证了Mg3.1Sb0.5Bi1.497Te0.003,这是一个有前途的室温热电材料.
结论:
- 开发的深度生成模型有效地克服了热电材料发现的数据限制.
- 该模型的预测通过实验合成得到验证,证明了其实际效用.
- 这种方法加速了用于能源应用的新型热电材料的探索和识别.
