基于人工智能加速掺杂热电材料的多目标协同优化
材料科学
2025-04-14 v1 人工智能
机器学习
神经与进化计算
摘要
材料的热电性能对元素类型及其比例表现出复杂的非线性依赖关系，使传统的试错方法在材料发现中效率低下且耗时。本文提出了一种深度学习模型，能够直接从化学公式准确预测掺杂材料的热电性能，实现了最佳水平。为增强可解释性，我们进一步采用灵敏度分析技术阐明了物理描述如何影响热电性能系数（zT）。此外，我们建立了一个将代理模型与多目标遗传算法集成的耦合框架，高效地探索高性能候选材料的广阔组成空间。实验验证确认，我们发现了一种在中温区间具有优异 zT 值的新型热电材料。
引用
@article{arxiv.2504.08258,
title = {Accelerating Multi-Objective Collaborative Optimization of Doped Thermoelectric Materials via Artificial Intelligence},
author = {Yuxuan Zeng and Wenhao Xie and Wei Cao and Tan Peng and Yue Hou and Ziyu Wang and Jing Shi},
journal= {arXiv preprint arXiv:2504.08258},
year = {2025}
}