机器学习在双倍佩罗夫斯基特中发现了创纪录的低晶格导热率
Md Zaibul Anam1, Alejandro Rodriguez1, Riccardo Rurali2
1Department of Mechanical Engineering, University of South Carolina, Columbia, South Carolina, USA.
Advanced science (Weinheim, Baden-Wurttemberg, Germany)
|February 17, 2026
概括
我们开发了一种机器学习模型,有效地选数千个双矿的热绝缘. 这确定了Cs2HgPtCl6具有创纪录的低晶格导热率,对热电有希望.
科学领域:
- 材料科学 材料科学 材料科学
- 凝聚物质物理学 凝聚物质物理学
- 计算化学计算化学
背景情况:
- 双矿 (ABC2D6) 对于光伏,光电子和热电非常重要.
- 在这些材料中,phonon介导的热传输是至关重要的.
- 高通量密度函数理论 (DFT) 声计算在计算上很昂贵.
研究的目的:
- 开发一个高效的机器学习框架,用于选双矿.
- 预测网格导热率 (LTC) 并识别具有超低LTC的材料.
- 发现用于热电和热绝缘应用的新型双矿候选物.
主要方法:
- 开发了Elemental-SDNNFF,这是一个深度学习的原子间潜力,以DFT力量进行训练.
- 采用积极学习框架,以提供高效的模型培训.
- 使用开发的模型选了9709立方双矿结构.
- 通过将元素-SDNNFF与博尔茨曼运输方程 (BTE) 合来预测LTC.
- 通过DFT和四声波散射计算验证了有前途的候选人.
- 通过分子动力学模拟和声寿命提取得到确认的结果.
主要成果:
- 确定了1597个动态稳定的双矿候选物.
- 发现了Cs2HgPtCl6,带隙为0.35 eV,超低室温LTC为0.071 Wm-1K-1.
- 这个LTC是同位素散装材料报告的最低值,与空气相比.
- 机器学习框架显著加快了选过程.
结论:
- 建立了一个高效的机器学习辅助的材料选框架.
- 证明了双矿在先进的热电和热绝缘应用中的潜力.
- 突出了发现Cs2HgPtCl6作为热管理的创纪录材料的发现.
更多相关视频
09:23Author Spotlight: Advancing Energy Solutions Using Nanocomposites as Processed Thermoelectric Materials
Published on: May 17, 2024
2.2K
04:09Demonstrating the Simplicity and In Situ Temperature Monitoring of the Mechanochemical Synthesis of Metal Chalcogenides Suitable for Thermoelectrics
Published on: August 30, 2024
824
