[論文レビュー] A recommendation engine for suggesting unexpected thermoelectric chemistries

Michael W. Gaultois, Anton O. Oliynyk+4 more|arXiv (Cornell University)|Feb 26, 2015

Advanced Thermoelectric Materials and Devices参考文献 26被引用数 89

ひとこと要約

本論文は、既知の化学的クラスとは異なる、未知の、予期しない熱電材料を同定する機械学習ベースの推薦エンジンを提示する。低熱伝導率、高電気伝導率、中程度のセーベック係数という好ましい熱電特性を予測することで、エンジンは実験的合成を誘導し、RE₁₂Co₅Bi（RE = Gd, Er）—これまでに探索されていなかった金属間化合物系で、優れた性能と異常な温度依存性の熱伝導率を示す—の実験的検証に成功した。

ABSTRACT

The experimental search for new thermoelectric materials remains largely confined to a limited set of successful chemical and structural families, such as chalcogenides, skutterudites, and Zintl phases. In principle, computational tools such as density functional theory (DFT) offer the possibility of rationally guiding experimental synthesis efforts toward very different chemistries. However, in practice, predicting thermoelectric properties from first principles remains a challenging endeavor, and experimental researchers generally do not directly use computation to drive their own synthesis efforts. To bridge this practical gap between experimental needs and computational tools, we report an open machine learning-based recommendation engine (http://thermoelectrics.citrination.com) for materials researchers that suggests promising new thermoelectric compositions, and evaluates the feasibility of user-designed compounds. We show that this engine can identify interesting chemistries very different from known thermoelectrics. Specifically, we describe the experimental characterization of one example set of compounds derived from our engine, RE12Co5Bi (RE = Gd, Er), which exhibits surprising thermoelectric performance given its unprecedentedly high loading with metallic d and f block elements, and warrants further investigation as a new thermoelectric material platform.

研究の動機と目的

• カルシウム化物やジンツ相といったよく研究されている化学的クラスにとどまらない、熱電材料研究における化学的多様性の制限に取り組むこと。
• 計算的予測と実験的合成のギャップを埋めるために、データ駆動の知見で実験的直感を補完するツールを構築すること。
• 従来の試行錯誤や段階的最適化では見つかりにくい、『化学的ホワイトスペース』から新しい熱電化学組成を同定すること。
• モデルが予測した有望な熱電性能を示す化合物であるRE₁₂Co₅Biを実験的に特性評価することで、エンジンの予測能力を検証すること。

提案手法

• エンジンは、既知の熱電材料のデータベースを学習させた機械学習モデルを用い、特定の組成が重要な熱電特性の目標閾値を満たす可能性を予測する。
• 4つの特性を評価する：セーベック係数（>100 μV K⁻¹）、電気抵抗率（<10⁻² Ω cm）、熱伝導率（<10 W m⁻¹ K⁻¹）、バンドギャップ（>0 eV）、いずれも室温での値。
• 各特性について、測定値が目標範囲内に入る確率を示す信頼度スコア（0–100％）を出力する。
• 全4つの特性が高信頼度で予測される材料を優先し、さらなる研究の対象とすること。
• このシステムにより、d-およびf-ブロック金属含有率が極めて高いが、熱電分野でこれまでに探索されていなかったRE₁₂Co₅Bi（RE = Gd, Er）が推薦された。
• 実験的検証には、合成、300–800 Kの範囲での電気抵抗率、熱伝導率、セーベック係数の測定が含まれた。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、従来の方法では見つかりにくい、化学的空間の未探索領域から新しい熱電化合物を同定できるか？
• RQ2 モデルが予測する好ましい熱電特性（低κ、高σ、中程度のS）は、新たに推薦された化合物の実験的測定値と整合するか？
• RQ3 d-およびf-ブロック金属の含有率が高い化合物—これは熱電分野でこれまでにめったに見られなかった—は、有望な熱電性能を示すことができるか？
• RQ4 RE₁₂Co₅Biの熱伝導率が温度上昇に伴い増加するのはなぜか？これは熱伝導工学にどのような意味を持つのか？

主な発見

• 推薦エンジンは、d-およびf-ブロック金属含有率が画期的に高いが、これまでに探索されていなかった金属間化合物RE₁₂Co₅Bi（RE = Gd, Er）を、有望な熱電候補として的確に同定した。
• 実験的に測定された電気抵抗率は10⁻² Ω cm未満であり、モデルが予測した高電気伝導率を裏付けた。
• 熱伝導率は300 Kから800 Kの間で4〜8 W m⁻¹ K⁻¹の範囲にあり、モデルが予測した低熱伝導率と整合した。
• セーベック係数は中程度であり、100 μV K⁻¹未満であり、モデルが高値である可能性が低いと的確に予測した。
• この化合物は、温度上昇に伴い熱伝導率が増加するという異常な挙動を示したが、これは大多数の熱電材料では観察されず、標準的な熱伝導輸送モデルでも予測されない。
• ゼロ温度における性能指標zTは400 Kで約0.03 W m⁻¹ K⁻¹に達し、Gaultoisらの熱電材料データベースに含まれる約30％の材料を上回った。