用于识别具有超低晶格热导率半导体的层级增强漏斗学习

数据驱动的机器学习（ML）在材料属性预测中展现了巨大潜力。然而，广阔化学空间中具有昂贵属性标签的材料数据稀缺，对 ML 高效预测属性和揭示结构-属性关系构成了重大挑战。在此，我们提出了一种新颖的层级增强漏斗学习框架，并成功将其应用于识别具有超低晶格热导率（$\kappa_\mathrm{L}$）的半导体。通过仅对从数十万材料库中经无监督学习筛选出的数百种材料进行训练，我们实现了对超低 $\kappa_\mathrm{L}$ 的高效且可解释的监督预测，从而避免了在没有明确目标的情况下进行大规模暴力的 \textit{ab initio} 计算。作为结果，我们提供了一份具有超低 $\kappa_\mathrm{L}$ 的候选材料列表以用于潜在的热电应用，并发现了一个显著影响结构非谐性的新因素。该 HiBoFL 框架为加速功能材料的发现提供了一条新颖且实用的途径。