重新审视预测热电性能的机器学习模型
材料科学
2025-09-03 v1 无序系统与神经网络
摘要
热电材料可通过将废热转化为电能来实现清洁能源。衡量热电材料效果的无量纲标志量为 ZT。寻找高 ZT 材料的研究在实验和理论上引起了广泛关注。然而，由于材料空间的庞大，寻找高 ZT 材料耗时且昂贵。为提高发现新热电材料的效率，近期研究采用机器学习结合数据库来搜索高 ZT 候选材料。本文检验了添加各种物理概念对机器学习模型预测 TE 属性效果的影响。目标是提高模型捕获热电材料设计中底层物理的能力。这些概念包括短程序和晶体结构类别。结果显示在精度上有所提高。然而，当前模型无法区分稀释合金和浓度合金，导致在预测掺杂效应方面不够。为更好地捕捉掺杂对电子能带结构的影响，我们纳入了各种掺杂物属性作为特征。这提高了掺杂材料的预测精度。此外，我们使用遗传算法为各种热电属性排序特征，以提供热电材料设计中关键参数的物理见解。
引用
@article{arxiv.2509.00299,
title = {Reexamining Machine Learning Models on Predicting Thermoelectric Properties},
author = {Chung T. Ma and S. Joseph Poon},
journal= {arXiv preprint arXiv:2509.00299},
year = {2025}
}