用于推荐意外热电化学组成的推荐引擎
材料科学
2016-06-14 v3
摘要
新热电材料的实验搜索仍主要局限于有限的成功化学和结构族，例如硫属化物、方钴矿和Zintl相。原则上，诸如密度泛函理论(DFT)等计算工具提供了将实验合成工作合理引导至非常不同化学组成的可能性。然而实践中，从第一性原理预测热电性质仍是一项挑战，且实验研究者通常不直接使用计算来驱动其自身的合成工作。为弥合实验需求与计算工具之间的实际差距，我们报道了一个基于机器学习的开放推荐引擎(http://thermoelectrics.citrination.com)供材料研究者使用，其可推荐有前景的新热电组成，并评估用户设计化合物的可行性。我们展示了该引擎能识别与已知热电材料极为不同的有趣化学组成。具体而言，我们描述了源自该引擎的一组示例化合物的实验表征：RE12Co5Bi (RE = Gd, Er)，鉴于其前所未有的高金属d区和f区元素负载，其展现出令人惊讶的热电性能，并作为一种新热电材料平台值得进一步研究。
引用
@article{arxiv.1502.07635,
title = {A recommendation engine for suggesting unexpected thermoelectric chemistries},
author = {Michael W. Gaultois and Anton O. Oliynyk and Arthur Mar and Taylor D. Sparks and Gregory J. Mulholland and Bryce Meredig},
journal= {arXiv preprint arXiv:1502.07635},
year = {2016}
}
备注
8 pages, 4 figures