基于集成机器学习模型的温度依赖晶格热导率加速预测

晶格热导率（$\kappa_L$）是控制固体中热传递的关键物理属性，与热电材料、热屏障涂层和热管理应用直接相关。然而，虽然通过实验确定$\kappa_L$具有挑战性，但其通过 ab initio 方法（尤其是密度泛函理论，DFT）的理论计算计算复杂度极高，往往比电子传输计算更为繁重一个数量级。本文提出一种机器学习（ML）方法，用于在宽温范围内（100-1000 K）预测$\kappa_L$，以 DFT 水平的准确度。经过对来自文献中获得的 DFT 计算数据的多种模型训练后，Extra Trees Regressor（ETR）在对数尺度的$\kappa_L$上表现最佳，平均 $R^2$ 为 0.9994，均方根误差（RMSE）为 0.0466 $W\,m^{-1}\,K^{-1}$。ETR 模型也能良好地推广至十二个此前未见（随机挑选）的低和高$\kappa_L$化合物，包含多样化的空间群对称性，达到 $R^2$ 为 0.961 与 DFT 基准比较。值得注意的是，该模型在预测低对称和高对称化合物的$\kappa_L$方面表现突出，能够实现高通量筛选。我们还通过筛选 960 个单异构结构化合物和 60,000 个 ICSD 数据库中的化合物，演示了这一能力。该结果表明该模型开发出的筛选潜在热电材料的可靠性。最后，我们对模型的预测能力进行了测试，使用可获得实验$\kappa_L$的系统，显示模型能够搜索具有理想实验$\kappa_L$的材料，以用于热电应用。