[논문 리뷰] A recommendation engine for suggesting unexpected thermoelectric chemistries

Michael W. Gaultois, Anton O. Oliynyk외 4명|arXiv (Cornell University)|2015. 02. 26.

Advanced Thermoelectric Materials and Devices참고 문헌 26인용 수 89

한 줄 요약

이 논문은 기존의 화학 계열 외부에 있는 새로운, 예측할 수 없는 열전 재료를 식별하는 기계학습 기반 추천 엔진을 제시한다. 낮은 열전도도, 높은 전기전도도 및 중간 정도의 세벡 계수를 예측함으로써 엔진은 실험적 합성에 활용되었으며, RE₁₂Co₅Bi (RE = Gd, Er)는 이전에 탐색되지 않은 이종금속계열로, 유망한 성능과 이례적인 온도 의존성 열전도도를 보였다.

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.

연구 동기 및 목표

• 칼코젠화물 및 진츠 상과 같은 잘 알려진 화학 계열 외의 열전 재료 연구에서 화학적 다양성이 제한된 문제를 해결하기 위해.
• 계산 기반 예측과 실험적 합성 간 격차를 메우기 위해, 데이터 기반 통찰을 실험적 직관과 융합하는 도구를 개발하기 위해.
• 기존의 시행착오나 점진적 최적화 방법으로는 발견되기 어려운 '화학적 백색 공간'에서 새로운 열전 화학 조성을 식별하기 위해.
• 모델이 예측한 잠재적 열전 성능을 기반으로 실험적으로 특성화된 화합물(RE₁₂Co₅Bi)을 통해 엔진의 예측 능력을 검증하기 위해.

제안 방법

• 이 엔진은 기존의 알려진 열전 재료 데이터베이스를 기반으로 학습된 기계학습 모델을 사용하여, 주어진 조성물이 열전 성능의 목표 기준을 충족할 가능성을 예측한다.
• 네 가지 성질을 평가한다: 세벡 계수 (>100 μV K⁻¹), 전기저항도 (<10⁻² Ω cm), 열전도도 (<10 W m⁻¹ K⁻¹), 밴드 갭 (>0 eV), 모두 실온에서 측정한다.
• 각 성질에 대해, 측정된 값이 목표 범위 내에 포함될 가능성을 나타내는 신뢰도 점수(0–100%)를 출력한다.
• 모델이 네 성질 모두를 높은 신뢰도로 예측한 물질을 우선순위로 선정하여 향후 연구에 적합한 후보로 간주한다.
• 이 시스템은 고도로 이종금속성인, d- 및 f-블록 금속 함량이 높은, 이전에 열전에서 탐색되지 않은 RE₁₂Co₅Bi (RE = Gd, Er)를 추천하였다.
• 실험적 검증은 300–800 K 범위에서 합성, 전기저항도, 열전도도 및 세벡 계수 측정을 포함하였다.

실험 결과

연구 질문

• RQ1 기계학습 모델은 기존의 방법으로는 발견되기 어려운 화학 공간의 미탐색 영역에서 새로운 열전 조성을 식별할 수 있는가?
• RQ2 모델이 예측한 유리한 열전 성능(낮은 κ, 높은 σ, 중간 정도의 S)이 새로운 추천 화합물에서 실험 측정 결과와 일치하는가?
• RQ3 이전에 열전에서 흔하지 않았던 d- 및 f-블록 금속 함량이 높은 화합물이 유망한 열전 성능을 나타낼 수 있는가?
• RQ4 RE₁₂Co₅Bi의 열전도도가 온도가 증가함에 따라 증가하는 이유는 무엇이며, 이는 열전송 공학에 어떤 함의를 갖는가?

주요 결과

• 추천 엔진은 d- 및 f-블록 금속 함량이 매우 높은, 이전에 전례가 없던 이종금속 화합물인 RE₁₂Co₅Bi (RE = Gd, Er)를 성공적으로 식별하여 열전 잠재력이 높은 후보로 선정하였다.
• 실험적으로 측정된 전기저항도는 10⁻² Ω cm 이하였으며, 모델이 예측한 높은 전기전도도를 확인하였다.
• 열전도도는 300 K에서 800 K까지 4에서 8 W m⁻¹ K⁻¹ 사이를 유지하여, 모델의 낮은 열전도도 예측과 일치하였다.
• 세벡 계수는 중간 수준이었으며, 100 μV K⁻¹ 이하였으며, 이는 모델이 높은 값을 갖지 않을 것이라고 정확히 예측한 바와 일치하였다.
• 이 화합물은 온도가 증가함에 따라 열전도도가 증가하는 현상을 보였으며, 이는 대부분의 열전 재료에서 관찰되지 않는 이례적인 현상이자, 표준 열전송 모델이 예측하지 못한 바였다.
• 자기적 열전도도(ZT)는 400 K에서 약 0.03 W m⁻¹ K⁻¹에 도달하였으며, Gaultois 등이 작성한 열전 재료 데이터베이스에 포함된 거의 30%의 재료보다 높았다.