数据驱动的二维与三维热电材料发现
材料科学
2020-10-28 v3
摘要
本工作中，我们首先通过将半经典输运技术与密度泛函理论（DFT）计算相结合，对高效三维（3D）和二维（2D）热电材料进行系统搜索，随后基于热电数据训练机器学习模型。在公开可用的 JARVIS-DFT 数据库中现有的 36000 种三维材料和 900 种二维材料中，我们通过多步筛选流程识别出 2932 种 3D 和 148 种 2D 有前景的热电材料，其中对带隙、塞贝克系数和功率因子等关键量设定了特定阈值。我们计算了数据库中所有材料的塞贝克系数，并通过将部分材料的结果与实验及已有计算数据集比较来验证我们的计算。我们还研究了化学、结构、晶体学和维度趋势对热电性能的影响。我们预测了几类高效的 3D 和 2D 材料，如 Ba(MgX)2（X=P,As,Bi）、X2YZ6（X=K,Rb, Y=Pd,Pt, Z=Cl,Br）、K2PtX2（X=S,Se）、NbCu3X4（X=S,Se,Te）、Sr2XYO6（X=Ta, Zn, Y=Ga, Mo）、TaCu3X4（X=S, Se,Te）以及 XYN（X=Ti, Zr, Y=Cl, Br）。最后，由于高通量 DFT 计算成本高昂，我们使用梯度提升决策树（GBDT）和经典力场启发描述符（CFID）训练机器学习模型，用于 n 型和 p 型塞贝克系数及功率因子，以快速预筛材料并指导下一组 DFT 计算。数据集与工具已在以下网站公开：https://www.ctcms.nist.gov/~knc6/JVASP.html、https://www.ctcms.nist.gov/jarvisml/ 和 https://jarvis.nist.gov/。
引用
@article{arxiv.1906.06024,
title = {Data-driven Discovery of 3D and 2D Thermoelectric Materials},
author = {Kamal Choudhary and Kevin Garrity and Francesca Tavazza},
journal= {arXiv preprint arXiv:1906.06024},
year = {2020}
}