基于机器学习利用原子信息预测Half-Heusler化合物的晶格热导率
材料科学
2020-10-26 v1
摘要
Half-Heusler化合物作为一种热电能量转换和自旋电子学技术的候选材料，在多个领域受到关注。这是因为它具有半金属、半导体和拓扑绝缘体等多种电子结构。当Half-Heusler化合物被集成到器件中时，由于高晶体对称性带来的高晶格热导率的控制是器件热管理的挑战。用于预测晶格热导率（控制器件热管理的重要物理参数）的计算，所需计算成本约为通常密度泛函理论计算的几百倍。因此，我们基于各种Half-Heusler化合物中由密度泛函理论计算得到的构成元素原子信息，检验了通过机器学习预测晶格热导率是否可行。结果我们构建了一个机器学习模型，该模型仅利用Half-Heusler型晶体结构中各晶位原子半径和原子质量的信息即可高精度预测晶格热导率。应用我们的结果，可以立即预测未知Half-Heusler化合物的晶格热导率。未来可实现低成本、短周期的新型功能材料开发，从而带来新功能材料搜索的突破。
引用
@article{arxiv.2010.12467,
title = {Machine-Learning-based Prediction of Lattice Thermal Conductivity for Half-Heusler Compounds using Atomic Information},
author = {Hidetoshi Miyazaki and Tomoyuki Tamura and Masashi Mikami and Kosuke Watanabe and Ide Naoki and Osman Murat Ozkendir and Yoichi Nishino},
journal= {arXiv preprint arXiv:2010.12467},
year = {2020}
}
备注
15 pages, 5 figures