基于数据的Na-Bi化合物的探索:拓热电学的第一原则和机器学习方法
Souraya Goumri-Said1, Houssam Eddine Hailouf2, Khalid Reggab2
1College of Science and General Studies, Department of Physics, Alfaisal University P.O. Box 5092 Riyadh 11533 Saudi Arabia sosaid@alfaisal.edu.
RSC advances
|November 5, 2025
概括
我们结合了第一原理计算和机器学习来研究用于热电应用的Na-Bi化合物. 机器学习模型准确地预测了热电性能,Seebeck系数是功率 (ZT) 的关键.
科学领域:
- 凝聚物质物理学 凝聚物质物理学
- 材料科学 材料科学 材料科学
- 计算化学计算化学
背景情况:
- - (Na-Bi) 化合物表现出有趣的结构和电子特性.
- 了解它们的热电特性对于能源应用至关重要.
研究的目的:
- 研究NaBi,NaBi3和Na3Bi的结构,电子,振动,热力学和热电性质.
- 开发和验证用于预测热电性能的机器学习模型.
主要方法:
- 使用密度函数理论 (DFT) 与旋转轨道合 (SOC) 的第一原则计算.
- 博尔兹曼运输理论用于热电运输分析.
- 监督机器学习 (随机森林和神经网络) 在DFT数据上进行训练.
主要成果:
- 证实了立方Na3Bi.Bi的狄拉克半金属性质.
- 在Na-Bi家族中表现出各种各样的拓和热力学特性.
- 机器学习模型准确地预测了热电功率 (ZT),随机森林在低温下表现优于神经网络.
结论:
- 机器学习显著增强了材料发现的第一原则方法.
- 塞贝克系数被确定为ZT预测中最有影响力的特征.
- 开发的工作流提供了一个可概括的框架,用于预测拓热电材料.


