机器学习引导发现一种高性能自旋驱动热电材料
材料科学
2018-05-08 v1
摘要
利用塞贝克效应发电的热电转换正成为能量收集与智能热管理不可或缺的技术。近来，采用自旋塞贝克效应（SSE）与反常能斯特效应（ANE）等新兴现象的自旋驱动热效应（STEs），因有望实现低成本、易规模化制造且用途广泛的热电技术而备受关注。然而，STE 器件的发展受限于对支配 STE 的机理与材料参数的理解不足。为解决此问题，我们借助机器学习建模来确定控制 SSE 的关键物理参数。在这些模型引导下，我们开展了高通量实验，从而识别出一种新型 STE 材料，其热电势比当前一代 STE 器件大一个数量级。
引用
@article{arxiv.1805.02303,
title = {Machine-learning guided discovery of a high-performance spin-driven thermoelectric material},
author = {Yuma Iwasaki and Ichiro Takeuchi and Valentin Stanev and Aaron Gilad Kusne and Masahiko Ishida and Akihiro Kirihara and Kazuki Ihara and Ryohto Sawada and Koichi Terashima and Hiroko Someya and Ken-ichi Uchida and Shinichi Yorozu and Eiji Saitoh},
journal= {arXiv preprint arXiv:1805.02303},
year = {2018}
}
备注
25 pages, 4 figures, 1 table