面向温度依赖热电性能的物理信息神经算子
材料科学
2025-06-11 v1 计算物理
摘要
准确表征温度依赖的热电性能(如热导率和塞贝斯系数), 对可靠的热电器件建模与高效设计至关重要. 然而, 其非线性温度依赖性及耦合传输行为, 使得正向仿真和逆向识别都困难, 尤其在稀疏测量条件下. 本研究开发了一种基于物理信息机器学习的方法, 采用物理信息神经网络(PINN)求解热电系统的正向和逆向问题, 并利用神经算子(PINO)实现跨异构材料的泛化推断. PINN通过将支配传输方程嵌入损失函数, 实现场重构和材料属性推断;而PINO则在无需重新训练的情况下, 将此推断能力泛化到多种材料系统. 该模型在20种p型材料的仿真数据上训练, 并在60个未见材料上进行评估, 证明仅凭稀疏场数据即可实现TEP的准确无标签推断. 该方法框架具备可扩展性、泛化性和数据高效性, 为先进热电材料的高通量筛选和逆向设计铺平了道路.
引用
@article{arxiv.2506.08057,
title = {Physics-Informed Neural Operators for Generalizable and Label-Free Inference of Temperature-Dependent Thermoelectric Properties},
author = {Hyeonbin Moon and Songho Lee and Wabi Demeke and Byungki Ryu and Seunghwa Ryu},
journal= {arXiv preprint arXiv:2506.08057},
year = {2025}
}
备注
main - 31pages, 9 figures / supplementary - 11pages, 3 figures