结合机器学习模型与第一性原理高通量计算加速寻找优异热电材料的探索
材料科学
2024-05-07 v1
摘要
热电材料可实现电能与热能之间的直接转换，因而可用于热能回收和固态制冷。新型热电材料的发现主要基于实验和第一性原理计算。然而，这些方法通常昂贵且耗时。最近，基于机器学习的属性预测方法在材料科学中日益流行。本文首先对大量化硫化物进行第一性原理高通量计算，构建包含796个化合物的热电数据库，发现了许多新型且有前景的热电材料。随后，我们训练了四个集成学习模型和两个深度学习模型，用于分别区分n型和p型掺杂情况下的优异热电材料。所有所提模型的分类准确率均超过85%，ROC曲线下面积(AUC)均超过0.9。特别是，针对n型数据的M3GNet模型在准确率、精确率和召回率方面均超过90%。我们的工作表明，将机器学习预测与第一性原理高通量计算相结合是一种非常高效的加速发现先进热电材料的方法。
引用
@article{arxiv.2405.02618,
title = {Combining Machine Learning Models with First-Principles High-Throughput Calculation to Accelerate the Search of Promising Thermoelectric Materials},
author = {Tao Fan and Artem R. Oganov},
journal= {arXiv preprint arXiv:2405.02618},
year = {2024}
}