基于注意力深度学习从成分预测热电输运性质
材料科学
2022-12-14 v1
摘要
热电材料可用于构建将废热回收为电能的器件。然而，已知最佳热电材料基于稀有、昂贵甚至有毒的元素，这限制了其广泛应用。为了实现全球规模部署，因此需要新型高效热电材料。输运性质的从头算模型有助于新热电材料的设计，但其计算成本仍过于高昂，无法单独依赖其在所有可能候选材料的广阔化学空间中进行高通量筛选。在此，我们使用现代机器学习技术构建的模型，以成分为输入，扫描无机材料空间的极广区域以寻找新型热电材料。我们采用基于注意力的深度学习模型，训练于从头算计算导出的数据，来预测材料在一系列温度及 n 型或 p 型掺杂水平下的塞贝克系数、电导率和功率因子，鉴于输入的简单性，其性能出奇地好，且计算成本显著降低。将该模型应用于已知和假想的二元及三元硒化物的空间，结果揭示了若干可能代表有前景热电材料的物质。我们的研究建立了一种基于成分预测热电行为的协议，随着更准确理论或实验数据库的出现，可轻易增强。
引用
@article{arxiv.2212.06444,
title = {Predicting Thermoelectric Transport Properties from Composition with Attention-based Deep Learning},
author = {Luis M. Antunes and Keith T. Butler and Ricardo Grau-Crespo},
journal= {arXiv preprint arXiv:2212.06444},
year = {2022}
}