基于可解释特征工程的高通量金属氧化物发现：高热电性能
材料科学
2024-05-01 v1 应用物理
计算物理
摘要
本 work 提出了一种结合可解释机器学习与高通量计算的 data-driven 框架，用于识别一系列表现出高温容忍性和高功率因子的金属氧化物。针对小数据在高温功率因子上的弱泛化能力问题，我们采用符号回归进行特征创建，这既增强了模型的鲁棒性，又保留了特征的物理意义。最终从 Materials Project 数据库中的 48,694 个化合物中筛选出 33 个候选金属氧化物，用于高温热电应用。采用玻尔兹曼输运理论计算 1000 K 处的电性质。通过基于形变势能理论的常数电子-声子耦合近似松弛时间。考虑能带退色，采用动量矩阵元方法获取电子群速度，从而得到 28 个功率因子大于 50 的材料。我们提出的高通量框架对于高温热电应用中金属氧化物的筛选具有重要作用。此外，我们的数据驱动分析和输运计算表明，富含铈（Ce）、锡（Sn）和铅（Pb）等元素的金属氧化物倾向于在高温下表现出高功率因子。
引用
@article{arxiv.2404.19613,
title = {High-throughput discovery of metal oxides with high thermoelectric performance via interpretable feature engineering on small data},
author = {Shengluo Ma and Yongchao Rao and Xiang Huang and Shenghong Ju},
journal= {arXiv preprint arXiv:2404.19613},
year = {2024}
}