通过实验设计与机器学习驱动 AgSbTe₂ 的热电优化
材料科学
2024-12-09 v1
摘要
由于热电材料的电学与热学性质相互冲突，其系统性优化十分困难。本文开发了一种基于实验设计（Design of Experiments）和机器学习的策略，用于优化 AgSb1+xTe2+y 这一已确立热电材料的效率。从八个实验中，AgSb1.021Te2.04 展现出优异的热电性能，其在 600 K 下的峰值和平均热电优值分别为 1.61 ± 0.24 和 1.18 ± 0.18（300–623 K），分别比 AgSb1+xTe2+y 的最佳文献值高出 30% 以上。AgSb1.021Te2.04 中的银缺乏和二次相的抑制改善了电学性质并降低了热导率（~0.4 W m⁻¹ K⁻¹）。我们的策略被实现为一个开源图形用户界面，可用于优化不同科学领域的方法、性质和工艺。
引用
@article{arxiv.2412.04699,
title = {Driving Thermoelectric Optimization in AgSbTe2 via Design of Experiments and Machine Learning},
author = {Jan-Hendrik Pöhls and Chun-Wan Timothy Lo and Marissa MacIver and Yu-Chih Tseng and Yurij Mozharivskyj},
journal= {arXiv preprint arXiv:2412.04699},
year = {2024}
}
备注
15 pages, 4 figures