利用机器学习预测复杂热电材料的极低热导率与高ZT值
材料科学
2024-09-06 v1
摘要
高效且精确地计算热输运性质与热电优值（figure of merit），并深入理解热输运机制，对于先进热电材料的实际应用至关重要。在本研究中，我们将统一的热输运理论与机器学习辅助的自洽声子计算相结合，探讨了杰出晶体材料TlSbTe中支配热输运的微观过程。利用机器学习势，我们加速分析了声子能移、高阶散射机制以及由群体通道和相干通道等多种贡献因素引起的热导率。我们的研究结果揭示了在室温下具有0.31 W m K的极低热导率，该结果与实验观测高度吻合。值得注意的是，我们观察到热流算符的非对角项在塑造TlSbTe的整体晶格热导率中起着重要作用，由于群速度受限，其极低热导率类似于玻璃。此外，我们在600 K下沿轴方向的\textit{p}型TlSbTe中实现了3.17的最大值，并在500 K下沿轴和轴方向的\textit{n}型TlSbTe中获得了2.26的最优值。晶体TlSbTe不仅展现出卓越的隔热性能，而且由于其价带内的双重简并现象而表现出优异的电学性能。这些结果不仅阐明了TlSbTe具有卓越热电性能的内在原因，也为进一步的实验探索提供了潜在途径。
引用
@article{arxiv.2405.12143,
title = {Machine learning for predicting ultralow thermal conductivity and high ZT in complex thermoelectric materials},
author = {Yuzhou Hao and Yuting Zuo and Jiongzhi Zheng and Wenjie Hou and Hong Gu and Xiaoying Wang and Xuejie Li and Jun Sun and Xiangdong Ding and Zhibin Gao},
journal= {arXiv preprint arXiv:2405.12143},
year = {2024}
}