从热电输运数据数据驱动重建谱电导率与化学势
统计力学
2022-11-02 v2
摘要
谱电导率，即作为费米能量函数的电导率，是决定电子热电输运性质的基石。然而，谱电导率依赖于样品特异性性质，如载流子浓度、空位、电荷杂质、化学组成和材料微观结构，使得实验结果难以与理论预测直接关联。在此，我们提出一种基于机器学习的的数据驱动方法，从热电输运数据重建谱电导率和化学势。利用该机器学习方法，我们首先在一个简单玩具模型中证明可恢复谱电导率与温度依赖的化学势。第二步，我们将方法应用于掺杂一维碲化物TaSiTe~[T. Inohara, \textit{et al.}, Appl. Phys. Lett. \textbf{110}, 183901 (2017)]的实验数据，为每个样品重建谱电导率和化学势。此外，由重建的谱电导率估算了电子热导率和最大品质因数 ，其提供了超越维德曼-弗朗兹定律的准确估计。我们的研究阐明了热电输运性质与真实材料低能电子态之间的联系，并确立了一条将实验数据纳入传统理论驱动工作流的有前景途径。
引用
@article{arxiv.2206.01100,
title = {Data-driven reconstruction of spectral conductivity and chemical potential from thermoelectric transport data},
author = {Tomoki Hirosawa and Frank Schäfer and Hideaki Maebashi and Hiroyasu Matsuura and Masao Ogata},
journal= {arXiv preprint arXiv:2206.01100},
year = {2022}
}
备注
10 pages, 9 figures. Accepted version for Journal of the Physical Society of Japan