[论文解读] 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 89

一句话总结

本文提出了一种基于机器学习的推荐引擎，可识别已知化学家族之外的新型、出人意料的热电材料。通过预测有利的热电性能——低热导率、高电导率以及适中的塞贝克系数，该引擎引导实验合成了 RE₁₂Co₅Bi（RE = Gd, Er），一种此前未被探索的金属间化合物体系，其表现出有前途的性能以及反常的温度依赖性热导率。

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.

研究动机与目标

• 为解决热电材料研究中化学多样性有限的问题，突破以往对硫属化物和Zintl相等已充分探索家族的依赖。
• 通过创建一种工具，将数据驱动的洞察与实验直觉相结合，弥合计算预测与实验合成之间的鸿沟。
• 从‘化学空白区域’中识别出新型热电化学组成，这些组成不太可能通过传统试错法或渐进式优化发现。
• 通过实验表征由模型推荐的具有潜在优异热电性能的化合物——RE₁₂Co₅Bi——来验证引擎的预测能力。

提出的方法

• 该引擎使用在已知热电材料数据库上训练的机器学习模型，预测给定成分满足关键热电性能目标阈值的可能性。
• 评估四项性能指标：塞贝克系数（>100 μV K⁻¹）、电电阻率（<10⁻² Ω cm）、热导率（<10 W m⁻¹ K⁻¹）以及带隙（>0 eV），所有参数均在室温下测定。
• 针对每一项性能，模型输出一个置信度评分（0–100%），表示实测值落入目标范围的概率。
• 引擎优先推荐四项性能均以高置信度预测的材料，表明其具有进一步研究的潜力。
• 该系统推荐了 RE₁₂Co₅Bi（RE = Gd, Er），一种富含d区和f区金属的高金属间化合物，此前未在热电领域中被探索。
• 实验验证包括合成、300–800 K 温度范围内电电阻率、热导率及塞贝克系数的测量。

实验结果

研究问题

• RQ1 机器学习模型能否从化学空间中尚未探索的区域识别出新颖的热电组成，这些组成不太可能通过传统方法发现？
• RQ2 模型对有利热电性能（低κ、高σ、适中S）的预测是否与新推荐化合物中的实验测量结果一致？
• RQ3 富含d区和f区金属的化合物——在热电材料中此前不常见——是否能表现出有前途的热电性能？
• RQ4 为何 RE₁₂Co₅Bi 的热导率随温度升高而增加，与典型行为相反？这对热输运工程有何启示？

主要发现

• 推荐引擎成功识别出 RE₁₂Co₅Bi（RE = Gd, Er）这一高度金属间化合物，其d区和f区金属含量前所未有，是极具潜力的热电候选材料。
• 实验测得的电电阻率低于 10⁻² Ω cm，证实了模型对高电导率的预测。
• 热导率在 300 K 至 800 K 范围内为 4 至 8 W m⁻¹ K⁻¹，与模型预测的低热导率一致。
• 塞贝克系数适中，低于 100 μV K⁻¹，模型正确预测其不太可能达到高值。
• 该化合物表现出热导率随温度升高而增加的异常行为，这在大多数热电材料中未被观察到，也未被标准热输运模型预测。
• 优值因子 κzT 在 400 K 时约为 0.03 W m⁻¹ K⁻¹，超过 Gaultois 等人热电材料数据库中近 30% 的材料。