Beyond Predicted ZT: Machine Learning Strategies for the Experimental Discovery of Thermoelectric Materials
ICGM, Univ Montpellier, CNRS, ENSCM（蒙彼利埃大学，法国国家科学研究中心，国立高等化学学院）
本文探讨了机器学习在热电材料实验发现中的应用，指出模型泛化能力不足和热力学稳定性是主要障碍，并提出基于PCA的采样和协同主动学习策略以弥合预测与实验之间的差距。
2026-03-25 cond-mat.mtrl-sci
Accelerated screening of thermoelectric materials by first-principles computations of electron-phonon scattering
最近发现的用于热电能量转换的新材料是通过从第一原理有效预测材料的性能而实现的，而无需经验拟合的参数。描述了一种新的简化的计算电子输运性质的方法，与现有的方法相比，该方法具有良好的精度和可移植性，同时大大降低了复杂性和计算成本。电子-声子耦合的第一性原理计算表明，电子弛豫时间的能量依赖性随化学成分和载流子浓度的变化而显著变化，这表明有必要超越常用的近似来筛选和优化材料的成分、载流子浓度和微观结构。新的方法进行了验证，使用高精度的计算和验证的实验数据，然后将其应用于筛选和发现有前途的组合物在空间的半Heusler合金。通过分析数据趋势，有效电子质量被确定为决定材料性能的单一最佳通用描述符。从第一性原理出发计算了洛仑兹数，并讨论了Wiedemann-Franz定律在热电学中的普适性。
2018-05-01 cond-mat.mtrl-sci
Material Descriptors for the Discovery of Efficient Thermoelectrics
新型化合物的预测性能筛选可以显著促进高效、廉价和无毒热电材料的发现。目前正在努力将机器学习技术与材料数据库结合起来，但所采用的计算方法可能会极大地影响结果。关于电子输运和功率因数计算，最广泛采用和计算效率最高的方法是恒定弛豫时间近似（CRT）。本文在CRT的基础上，采用电子-声子散射和电离杂质散射的能量和动量依赖关系，计算了一类半Heusler合金的电子输运，并进行了功率因数优化。然后，确定基于这种更先进的处理的最佳功率因数的材料参数。这使得一组显着改进的描述符，可用于材料筛选研究的发展，并提供更深入的了解高性能热电材料的基本性质。我们已经确定$n_v$ $ε_r$ / $D_o^2m_{cond}$作为最有用和通用的描述符，谷的数量，介电常数，电导率有效质量的组合，和占主导地位的电子-声子过程的变形势。所提出的描述符可以以更准确和可靠的方式加速新的高效和环境友好的热电材料的发现，并提出了一些对非常高性能材料的预测。
2020-12-04 cond-mat.mtrl-sci physics.app-ph physics.comp-ph
Data-driven Discovery of 3D and 2D Thermoelectric Materials
在这项工作中，我们首先进行了系统的搜索高效率的三维（3D）和二维（2D）热电材料相结合的半经典输运技术与密度泛函理论（DFT）计算，然后训练机器学习模型的热电数据。在目前公开的JARVIS-DFT数据库中的36000种三维和900种二维材料中，我们使用多步筛选程序确定了2932种3D和148种2D有前途的热电材料，其中为带隙，Seebeck系数和功率因数等关键量选择了特定的阈值。我们计算了数据库中所有材料的塞贝克系数，并通过将我们的结果与实验和现有的计算数据集进行比较来验证我们的计算。我们还研究了化学，结构，晶体学和尺寸趋势对热电性能的影响。我们预测了几类有效的3D和2D材料，如Ba（MgX）2（X=P，As，Bi），X2 YZ 6（X=K，Rb，Y=Pd，Pt，Z=Cl，Br），K2 PtX 2（X=S，Se），NbCu 3X 4（X=S，Se，Te），Sr 2XYO 6（X=Ta，Zn，Y=Ga，Mo），TaCu 3X 4（X=S，Se，Te）和XYN（X=Ti，Zr，Y=Cl，Br）。最后，由于高吞吐量DFT的计算成本很高，我们使用梯度提升决策树（GBDT）和经典力场启发描述符（CFID）对n型和p型塞贝克系数和功率因子进行训练机器学习模型，以快速预筛选材料，用于指导下一组DFT计算。数据集和工具在以下网站上公开提供：https://www.ctcms.nist.gov/~k…
2020-01-30 cond-mat.mtrl-sci
Accelerating Multi-Objective Collaborative Optimization of Doped Thermoelectric Materials via Artificial Intelligence
The Institute of Technological Sciences, Wuhan University（武汉大学技术科学学院）；School of Physics and Technology, Wuhan University（武汉大学物理科学与技术学院）
本文提出深度学习模型与多目标遗传算法耦合框架，从化学式直接预测掺杂热电材料性能并高效搜索组成空间，实验发现中温区高zT新材料。
2025-04-11 cond-mat.mtrl-sci cs.AI cs.LG
Large Language Model-Driven Database for Thermoelectric Materials
本文构建了由大语言模型驱动的包含7,123种热电化合物的开放数据库，利用GPTArticleExtractor自动提取文献数据，以解决人工收集难题并推动热电材料的数据驱动发现。
2024-12-31 cond-mat.mtrl-sci cs.DL
A Generalizable Machine Learning Framework for Half-Heusler Thermoelectrics
ICGM, Univ Montpellier, CNRS, ENSCM（ICGM，蒙彼利埃大学，国家科学研究中心，ENSCM）
本研究提出鲁棒机器学习框架，通过PCA分割、贝叶斯优化和SISSO分析，提升热电材料zT预测的泛化能力，发现新型高性能半Heusler热电材料。
2026-10-12 cond-mat.mtrl-sci cs.LG
Mapping the Configuration Space of Half-Heusler Compounds via Subspace Identification for Thermoelectric Materials Discovery
本研究通过子空间识别方法分析1126种半赫斯勒化合物，揭示高热电性能的关键元素子空间，并实验验证Sc0.5Lu0.5AuSn具有低热导率，为热电材料发现提供新策略。
2025-01-20 cond-mat.mtrl-sci
Discovery of low thermal conductivity compounds with first-principles anharmonic lattice dynamics calculations and Bayesian optimization
低晶格热导率（LTC）的化合物是寻求高转换效率热电材料的必要条件。一些策略已经被用来降低LTC。然而，这种试验只在有限的勘探空间内取得了成功。在这里，我们报告了包含54，779个化合物的库的虚拟筛选。我们的策略是通过贝叶斯优化使用的初始数据的LTC从第一性原理非谐晶格动力学计算的一组101化合物的图书馆进行搜索。我们发现了221种LTC非常低的材料。其中两个甚至具有< 1 eV的电子带隙，这使得它们成为热电应用的特殊候选者。除了那些新发现的热电材料之外，本策略被认为对于许多其他需要优化材料化学的应用是强大的。
2015-06-22 cond-mat.mtrl-sci
Topological insulators and thermoelectric materials
拓扑绝缘体是物质的一种新的量子态，它在体能隙内具有无隙的表面态。从二维碲化汞量子阱的发现开始，许多新的拓扑材料被理论预言和实验观察到。目前已知的TI材料可以分为两个家族，HgTe家族和Bi2Se家族。在TI的电子结构中发现的特征也使这些材料成为优异的热电材料。另一方面，优秀的热电材料也可以是拓扑平凡的。在这里，我们提出了一个简短的介绍，拓扑绝缘体和热电，并给出了化合物类的例子都是良好的热电性能和拓扑绝缘体可以找到。
2012-11-30 cond-mat.mtrl-sci
Robust AI-Driven Discovery of Electronic Metal Phosphide Semiconductors
Jilin University（吉林大学）
结合生成式材料设计、机器学习原子间势和密度泛函理论，高通量筛选出3574种稳定磷化物，包括196种半导体，并识别出30种光电和26种热电候选材料。
2026-06-08 cond-mat.mtrl-sci
Lattice-to-Total Thermal Conductivity Ratio: A Phonon-Glass Electron-Crystal Descriptor for Data-Driven Thermoelectric Design
Kyoto University（京都大学）；Northwestern University（西北大学）；Osaka University（大阪大学）
本文提出晶格-总热导率比0.5作为热电材料优化的描述符，结合机器学习模型筛选低热导率候选材料并指导优化，推动材料发现与性能提升的结合。
2026-04-25 cond-mat.mtrl-sci cs.LG
High-throughput discovery of metal oxides with high thermoelectric performance via interpretable feature engineering on small data
本文提出结合可解释机器学习与高通量计算的小数据筛选框架，通过符号回归特征创建从48,694种化合物中筛选出33种候选金属氧化物，并发现富Ce、Sn、Pb的金属氧化物在高温下具有较高功率因数。
2024-04-30 cond-mat.mtrl-sci physics.app-ph physics.comp-ph
Materials discovery and properties prediction in thermal transport via materials informatics: a mini-review
对具有特殊热性能的材料的需求越来越大，而实验发现成本高且耗时。新兴学科材料信息学是将材料科学与大数据技术相结合，加速材料发展的有效途径。近年来，材料信息学已被应用于新型材料的设计，如用于散热的热界面材料和用于发电的热电材料。本文综述了材料信息学在预测和发现具有特殊热性能材料（包括最佳热导率、界面热导率和热电效率）中的应用研究进展。最后对材料信息学在热输运领域的应用前景进行了展望。
2019-01-14 cond-mat.mtrl-sci physics.comp-ph
Multi-Principal-Element Approach to High-Performance Thermoelectric Materials
高熵合金的特征在于高构型熵。自2004年发现高熵合金（HEA）以来，熵工程为利用成分、晶格无序、能带结构和微结构效应来提高热电性能提供了一个很有前途的方向。本文讨论了熵对热电性能的影响，并回顾了多主元素合金，HEA的较弱版本，在成分复杂的热电合金的发展中实现高热电性能的作用。在广泛的材料系统，如TAGS，LAST，半Heusler，液体状铜硫属化物，SnTe和CuInTe2黄铜矿的实验和理论的努力提供了深入的熵工程方法，也承诺一个新兴的高熵热电范例。
2019-11-09 cond-mat.dis-nn cond-mat.mtrl-sci
Enhanced Thermoelectric Performance and Anomalous Seebeck Effects in Topological Insulators
提高热电优值zT是材料科学中最大的挑战之一。最近发现的拓扑绝缘体（TI）在这方面提供了新的希望。在这项工作中，我们从理论上证明，zT是强烈的大小依赖于TI，和大小参数可以调整，以提高zT显着大于1。此外，我们表明，在TI的边缘状态的寿命是强烈的能量依赖性，导致大的和异常的塞贝克效应与相反的符号的霍尔效应。这些优异的性能使钛合金成为热电科学和技术领域中极有前途的材料。
2014-05-21 cond-mat.mes-hall cond-mat.mtrl-sci
High-efficient thermoelectric materials: The case of orthorhombic IV-VI compounds
提高热电效率是材料科学面临的最大挑战之一。最近在简单的正交SnSe晶体中发现的优异的热电性能为这一前景提供了新的希望[Zhao等人，Nature 508，373（2014）]。基于第一性原理结合玻尔兹曼输运理论计算了正交晶系Ⅳ-Ⅵ族化合物GeS、GeSe、SnS和SnSe的热电性质，结果表明正交晶系SnSe的Seebeck系数、电导率和热导率与最近的实验结果一致.重要的是，与SnSe相比，GeS、GeSe和SnS表现出相当的热电性能。特别是GeS、GeSe和SnS的Seebeck系数在所研究的载流子浓度和温度范围内甚至比SnSe的更大。我们还使用Cahill模型来估计室温下的晶格热导率。大的Seebeck系数、高的功率因数和低的热导率使得这四种正交晶系IV-VI族化合物成为高效热电材料的有希望的候选者。
2015-05-11 cond-mat.mtrl-sci
Band structure and transport studies of half Heusler compound DyPdBi: An efficient thermoelectric material
Heusler合金的发现使金属间化合物的研究领域发生了革命性的变化，因为人们可以很容易地获得多功能应用的潜在候选者。近年来，人们对许多半Heusler合金的热电性能进行了研究。f电子基稀土三元半赫斯勒化合物DyPdBi的f能级位于费米能级附近。其他研究工作强调，这种材料具有良好的热电能力。在密度泛函理论框架下，利用不同的交换关联势，利用第一性原理研究了DyPdBi的电子能带结构.在热电性能的研究中出现的DyPdBi的输运系数已被计算，并说明其作为一种有效的热电材料的潜力。理论估计的塞贝克系数和功率因数与现有的实验结果吻合良好。我们的计算表明，它是必不可少的，包括自旋轨道耦合在这些模型的f电子半Heusler材料。
2015-11-30 cond-mat.mtrl-sci
Kolmogorov-Arnold Networks in Thermoelectric Materials Design
The University of Sydney（悉尼大学）；The University of Technology Sydney（悉尼科技大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出KANs用于热电材料设计，通过显式符号表示提升预测准确性和物理解释性。
2025-12-12 cond-mat.mtrl-sci
Prediction and accelerated laboratory discovery of previously unknown 18-electron ABX compounds
化学家和材料科学家经常关注以前报道的化合物的性质，而忽略了许多未报道但化学上可能具有有趣性质的化合物。例如，18价电子ABX族化合物包括半赫斯勒子群，并以拓扑绝缘体、热电体和超导体为特征，但在483种可能的化合物中，只有83种被制造出来。使用第一原理热力学，我们已经检查了400个未报告的成员的理论稳定性，并预测54个应该是稳定的。在这项研究中生长了15种以前缺失的材料，现在预测是稳定的; X射线研究与所有15种情况下的预测晶体结构一致。在这些失踪的化合物的特性中，有潜在的透明导体、热电材料和拓扑半金属。这一综合过程预测功能的未报道的化合物，然后实验室合成和表征，可能是一个路线，系统地发现迄今为止失踪，可实现的功能材料。
2014-12-07 cond-mat.mtrl-sci
Creation of flexible spin-caloritronic material with giant transverse thermoelectric conversion by nanostructure engineering
本研究通过纳米结构工程在柔性Fe基非晶材料中引入Cu纳米团簇，在不改变成分的前提下显著提升反常能斯特系数，实现了可与单晶媲美的巨横向热电转换性能，为高性能横向热电器件设计开辟了新途径。
2023-10-16 cond-mat.mtrl-sci
Thermal and thermoelectric properties of an antiferromagnetic topological insulator MnBi$_2$Te$_4$
MnBi $_4$ $_2$ Te中本征反铁磁拓扑绝缘体（AFM-TI）的发现引起了人们的广泛关注，其中最重要的是它的电学性质。在本文中，我们报告的电子，热，和热电输运的研究，这个新发现的AFM-TI。温度和磁场的电阻率，热导率和塞贝克系数的依赖性表明在这个系统中的电荷，晶格和自旋自由度之间的强耦合。此外，MnBi $_2$ Te $_4$表现出大的反常能斯特信号，这与场致倾斜反铁磁态的非零Berry曲率有关。
2022-05-04 cond-mat.mtrl-sci cond-mat.str-el
Tunable two-dimensional electron gas at the surface of thermoelectric material In$_4$Se$_3$
本文报道了用角分辨光电子能谱在热电材料In $_4$ Se $_3$表面发现二维电子气。所观察到的2DEG表现出几乎各向同性的能带色散，具有相当小的有效质量m* = 0.16 m_0，并且其载流子密度显示出显著的温度依赖性，导致在表面处的非常规的金属-半导体转变。在In $_4$ Se $_3$中观察到的2DEG的宽范围热可调谐性产生额外的自由度以更好地控制半导体的表面载流子。
2016-06-01 cond-mat.mes-hall cond-mat.mtrl-sci cond-mat.quant-gas
Machine Learning-Assisted 3D Printing of Thermoelectric Materials of Ultrahigh Performances at Room Temperature
本文提出机器学习辅助的挤出打印方法，通过高通量实验与贝叶斯优化协同搜索墨水配方和打印参数，打印出室温zT达1.3的BiSbTe基热电材料，为复杂三维热电材料与器件制造提供了通用策略。
2024-07-01 cond-mat.mtrl-sci physics.app-ph
AutoMat: Accelerated Computational Electrochemical systems Discovery
Carnegie Mellon University（卡内基梅隆大学）；Citrine Informatics；Northeastern University（东北大学）；Massachusetts Institute of Technology（麻省理工学院）；Julia Computing；Deep Forest Sciences
大规模电气化对于应对气候危机至关重要，但要使化学工业和交通运输完全电气化，仍存在一些科学和技术挑战。在这两个领域，新的电化学材料将是至关重要的，但它们的发展目前严重依赖于人力时间密集型实验试错和计算昂贵的第一原理，介观尺度和连续模拟。我们提出了一个自动化的工作流程，AutoMat，通过引入自动化的输入生成和跨尺度的模拟管理，从第一原理到连续体器件建模，加速了这些计算步骤。此外，我们还展示了如何无缝集成多保真度预测，如机器学习代理或自动机器人实验“在环”。自动化框架与设计空间搜索技术一起实现，以通过隐式学习优化多个指标的器件性能的设计功能来显着加速整个材料发现管道。我们讨论了AutoMat的好处，使用电催化和能量存储的例子，并强调经验教训。
2022-05-13 cond-mat.mtrl-sci cs.LG
The carbon cost of materials discovery: Can machine learning really accelerate the discovery of new photovoltaics?
Department of Chemistry, University College London（化学系，伦敦大学学院）
本文通过逐步用机器学习代理替换DFT组件并量化CO₂排放，系统评估了光伏材料筛选中精度与碳成本的权衡，发现直接预测标量效率比预测光谱更可行，并提出了低排放高通量发现流程的定量框架。
2025-07-17 cond-mat.mtrl-sci cs.LG
Thermoelectric Effects and Topological Insulators
拓扑绝缘体（TI）的发现为热电材料的发展提供了新的机遇，因为许多TI（如Bi $_2$ Te $_3$）是优良的热电材料。在这篇综述中，我们将首先描述一般的TE性质的TI，并表明，共存的体和边界状态的TI介绍了不寻常的TE性质，包括强尺寸效应和异常塞贝克效应。重要的是，TI的TE优值$zT$不再是固有性质，而是强烈依赖于几何尺寸。可以调整二维TI的几何参数以将$zT$增强为显著大于1。然后将讨论一些三维TI的原理验证实验，这些实验观察到与材料的拓扑性质密切相关的非常规TE现象。然而，目前的实验表明，金属表面状态，如果他们的高迁移率的优势没有得到充分利用，将是有害的TE性能。最后，我们对拓扑材料的未来工作进行了展望，这为发现奇异TE效应提供了很大的可能性，并可能导致在改进$zT$方面的重大突破。
2016-07-03 cond-mat.mtrl-sci
AI-Driven Defect Engineering for Advanced Thermoelectric Materials
本综述探讨AI与ML方法（如深度神经网络、图模型和Transformer）结合高通量模拟，用于热电材料缺陷工程，通过优化成分、熵、位错和晶界设计及逆向设计，加速高性能热电材料的发现。
2025-03-24 cond-mat.mtrl-sci
Electronic transport descriptors for the rapid screening of thermoelectric materials
用于热电能转换的新型材料的发现有可能通过数据驱动的筛选与高通量计算相结合来加速。提高成功选择候选材料的效率的一种方法是通过使用传输描述符对其进行评估。使用数据驱动的筛选，我们在三角ABX2家族中选择了12个潜在的候选者，然后从第一原理进行电荷传输性质模拟。结果表明，在这些材料中的载流子散射过程中占主导地位的电离杂质和极性光学声子，通常假设的声学声子为主的散射相反。结合基于三声子散射的热导率计算，我们预测p型AgBiS2和TlBiTe2作为潜在的高性能热电材料在中温范围内用于低品位废热收集，预测zT在500 K时大于1。使用这些数据，我们进一步推导出基态载流子迁移率和热电功率因子的传输描述符。除了低载流子质量之外，高介电常数被发现是实现高载流子迁移率的重要因素。建立了介电常数与传输性能之间的二次相关性，并与文献进一步验证。展望未来，介电常数可以作为一个独立的调谐旋钮，用于改善热电性能。
2021-01-09 cond-mat.mtrl-sci
Effects of Four-Phonon Scattering and Wave-like Phonon Tunneling Effects on Thermoelectric Properties of Mg2GeSe4 using Machine Learning
提出机器学习原子间势框架加速预测晶格热导率，揭示四声子散射和类波声子隧穿效应使Mg2GeSe4在900K下zT达0.49（n型）和0.45（p型），为热电材料开发提供高效方案。
2024-11-15 cond-mat.mtrl-sci
Wenzhou TE: a first-principles calculated thermoelectric materials database
针对热电优值 ZT 难以高通量计算的问题，本文结合 K-means 聚类与第一性原理计算，构建涵盖电输运、形变势及热力性质的 Wenzhou TE 热电材料数据库并提供网页检索。
2024-04-03 cond-mat.mtrl-sci physics.comp-ph
An Investigation into the Thermoelectric Characteristics of Silver-based Chalcopyrites Utilizing a Non-empirical Range-separated Dielectric-dependent Hybrid Approach
本文采用非经验屏蔽介电依赖杂化泛函结合玻尔兹曼输运理论，系统研究银基黄铜矿的热电性能，并识别出热电优值超过1的候选材料。
2025-06-06 cond-mat.mtrl-sci
Agentic AI and Machine Learning for Accelerated Materials Discovery and Applications
Oak Ridge National Laboratory（橡树岭国家实验室）；University of Tennessee at Knoxville（田纳西大学诺克斯维尔分校）
本文探讨了代理AI和机器学习在加速材料发现中的应用，重点介绍了高效发现方法、核心概念及大型语言模型，并展示了其在流化学、生物传感器和电池等领域的应用。
2026-01-15 cond-mat.mtrl-sci
Putting Density Functional Theory to the Test in Machine-Learning-Accelerated Materials Discovery
Massachusetts Institute of Technology（麻省理工学院）
机器学习（ML）加速发现已经开始提供克服计算材料设计组合挑战所需的效率进步。然而，ML加速发现既继承了来自密度泛函理论（DFT）的训练数据的偏差，又导致了许多注定失败的尝试计算。许多引人注目的功能材料和催化过程涉及应变化学键，开壳自由基和双自由基，或金属有机键到开壳过渡金属中心。虽然有前途的目标，这些材料提出了独特的挑战，电子结构的方法和组合的挑战，他们的发现。在这个视角中，我们描述了在准确性、效率和方法方面所需的进步，这些进步超出了传统的基于DFT的ML工作流中的典型特征。这些挑战已经开始通过训练的ML模型来解决，以预测多种方法的结果或它们之间的差异，从而实现定量敏感性分析。对于高通量筛选中的给定数据点，DFT要被信任，它必须通过一系列测试。预测计算成功的可能性并检测强相关性的存在的ML模型将使快速诊断和适应策略成为可能。这些“决策引擎”代表了迈向自主工作流程的第一步，这些工作流程避免了对基于DFT的材料发现的鲁棒性进行专家确定的需要。
2022-05-06 cond-mat.mtrl-sci cs.LG physics.chem-ph
Direct Joule-Heated Non-Equilibrium Synthesis Enables High Performing Thermoelectrics
本文提出直接焦耳加热合成（DJS）技术，实现比传统固态合成快10^5倍、能效高20000倍的块体热电材料制备，并在Cd/Se共掺杂AgSbTe2中于573 K获得zT=2.3的高性能。
2025-06-04 cond-mat.mtrl-sci
Identifying Highly Deformable van der Waals Layered Chalcogenides with Superior Thermoelectric Performance Using Deformability Factors and Interpretable Machine Learning
本研究结合形变因子与机器学习模型，从1000余种范德华层状硫族化合物中筛选出兼具高形变性与优异热电性能的NbSe₂Br₂，其热电性能达柔性无机材料最优水平，有望推动柔性热电器件发展。
2024-10-08 cond-mat.mtrl-sci physics.comp-ph
Giant transverse and longitudinal magneto-thermoelectric effect in polycrystalline nodal-line semimetal Mg3Bi2
拓扑半金属由于其独特的、非平凡的费米面电子结构拓扑，为探索新的热电现象提供了新的机会。在这项研究中，我们报告的发现，巨大的横向和纵向磁热电（MTE）效应的Mg3 Bi 2，这是预测的II型半金属的自旋轨道耦合（SOC）的情况下，在没有。在13.5 K和6 Tesla下，最大横向功率因数为2182 μWm^{-1}K^{-2}。在15 K和13 Tesla下，纵向功率因数高达3043μWm^{-1}K^{-2}，比零强度磁场高20倍，也可与最先进的MTE材料相媲美。通过补偿镁的损失，在富镁的条件下转向载流子浓度，在这项工作中获得的样品显示出一个大的线性非饱和磁电阻的940%下的14特斯拉的字段。这是一个两个数量级的增加，相对于正常的镁缺乏Mg3 Bi 2样品。使用密度泛函计算，我们属性的基本机制，没有SOC和各向异性的费米面形状与SOC的父线电子结构，突出了高载流子迁移率和开放的电子轨道在时刻空间中的重要作用。我们的工作提供了一个新的途径，通过设计费米面与特殊的拓扑电子结构的新型量子材料的高效热电材料。
2022-02-09 cond-mat.mtrl-sci
Tackling dataset curation challenges towards reliable machine learning: a case study on thermoelectric materials
ICGM, Univ Montpellier, CNRS, ENSCM（法国国家科学研究中心蒙彼利埃大学集成化学研究所）
本文提出了一种基于统计轮换误差的数据过滤方法，用于解决热电材料数据集中的不准确性和不一致性问题，并通过混合数据集创建流程提升数据质量。
2025-12-21 cond-mat.mtrl-sci
Agentic Fusion of Large Atomic and Language Models to Accelerate Superconductors Discovery
Gaoling School of Artificial Intelligence, Renmin University of China, Beijing, China（中国人民大学北京校区人工智能学院）；DAMO Academy, Alibaba Group, Hangzhou, China（阿里巴巴集团达摩院，杭州，中国）；Hupan Lab, Hangzhou, China（虎扑实验室，杭州，中国）；Institution of Physics, University of the Chinese Academy of Sciences, Beijing, China（中国科学院物理研究所，北京，中国）；Department of Computer Science and Technology, Tsinghua University, Beijing, China（清华大学计算机科学与技术系，北京，中国）
本文提出ElementsClaw框架，结合大规模原子模型与语言模型，通过自主协作加速超导体发现，筛选240万晶体识别6.8万高置信度候选，发现四个新实验验证超导体。
2026-04-29 cond-mat.mtrl-sci cs.LG
Large Nernst Power Factor over a Broad Temperature Range in Polycrystalline Weyl Semimetal NbP
拓扑材料的发现为利用新材料进行热能-电能转换提供了新的机会，因为它们与热电材料具有许多共同的特性。本文报道了拓扑Weyl半金属NbP的磁热电性质和能斯特效应。我们发现，多晶，散装NbP显示出显着更大的能斯特热电势比其常规的热电势下磁场。结果，在9 T和136 K下实现了~ 35*10-4 Wm-1 K-2的最大能斯特功率因数，这是其常规功率因数的4倍，也与最先进的热电器件相当。此外，能斯特功率因数在宽的温度范围内保持相对大的值。这些结果表明，基于能斯特效应和横向输运的拓扑半金属可以实现热电性能的增强。
2020-03-26 cond-mat.mtrl-sci
Accelerated Discovery of 3D Printing Materials Using Data-Driven Multi-Objective Optimization
增材制造已成为制造业的前沿技术之一，使以前无法制造的新产品成为可能。尽管存在许多用于增材制造的材料，但它们通常遭受性能权衡，从而阻止它们取代传统制造技术。目前的材料是用低效的人类驱动的直觉方法设计的，这使得它们缺乏最佳解决方案。我们提出了一种机器学习方法来加速发现增材制造材料，并在机械性能方面进行最佳权衡。多目标优化算法通过提出如何混合主要配方以创建性能更好的材料来自动指导实验设计。该算法与半自主制造平台相结合，以显着减少执行实验的数量和解决方案的总时间。在没有任何先验知识的主要配方，所提出的方法自主发现12个最佳的复合材料配方，并扩大发现的性能空间288倍后，只有30次实验迭代。这种方法可以很容易地推广到其他材料配方的问题，并使各种各样的材料设计的完全自动化的发现。
2021-06-29 cond-mat.mtrl-sci
Accelerated Discovery of Two-Dimensional Optoelectronic Octahedral Oxyhalides via High-Throughput Ab Initio Calculations and Machine Learning
传统的试错法是大规模寻找新型光电材料的障碍。在这里，我们介绍了一种结合高通量从头计算和机器学习方法来预测具有改进的光电性能的二维八面体卤氧化物的方法。我们开发了一个有效的机器学习模型的基础上产生的密度泛函计算，包括300个二维八面体卤氧化物的几何和电子性质的扩展数据集。我们的模型加速了5,000个二维八面体卤氧化物的潜在光电材料的筛选。在我们的模型中提出的扭曲堆叠八面体因子在机器学习预测中起着至关重要的作用。几个潜在的二维光电子八面体卤氧化物具有中等的带隙，高电子迁移率，并成功地假设？吸收系数。
2019-09-23 cond-mat.mtrl-sci
By how much can closed-loop frameworks accelerate computational materials discovery?
在闭环计算工作流程中实现自动化和机器学习替代是一种越来越受欢迎的加速材料发现的方法。然而，与这种从传统手动方法的范式转变相关的加速规模仍然是一个悬而未决的问题。在这项工作中，我们通过识别四个不同的加速来源来严格量化材料假设评估闭环框架内每个组件的加速：（1）任务自动化，（2）计算运行时改进，（3）顺序学习驱动的设计空间搜索，以及（4）用机器学习模型替代昂贵的模拟。这是使用计时分类账来记录自动化软件的运行和电催化背景下相应的手动计算实验。根据前三个加速源的组合，我们估计总体假设评估时间可以减少90%以上，即，实现了$\sim$ $10\times$的加速。此外，通过在循环中引入替代，我们估计设计时间可以减少95%以上，即，实现$\sim$ $15$ - $20\times$的加速。我们的研究结果为利用闭环方法加速材料发现提供了明确的价值主张。
2022-11-23 cond-mat.mtrl-sci
Automated Extraction of Material Properties using LLM-based AI Agents
Mehta Family School of Data Science and Artificial Intelligence（梅塔家族数据科学与人工智能学院）；Indian Institute of Technology Roorkee（印度理工学院罗尔基分校）；Department of Metallurgical and Materials Engineering（冶金与材料工程系）
本研究提出基于LLM的自动材料属性提取方法，构建了大规模热电数据集，实现了高准确率和低成本的属性提取流程，为材料发现提供了新的工具和基础。
2025-09-23 cond-mat.mtrl-sci cs.AI cs.CL
$P$-type Ru$_2$Ti$_{1-x}$Hf$_x$Si full-Heusler bulk thermoelectrics with $zT = 0.7$
本研究发现p型Ru₂Ti₁₋ₓHfₓSi全赫斯勒热电材料，在700-1000K宽温区zT达~0.7，为全赫斯勒材料目前最高值，验证了p型体系更优的理论预测，还揭示Hf取代的电子结构影响并提出zT>1的提升策略。
2025-09-02 cond-mat.mtrl-sci
Anomalous band renormalization due to high energy $kink$ in the colossal thermoelectric material K$_{0.65}$RhO$_2$
采用高分辨角分辨光电子能谱（ARPES）技术和密度泛函理论（DFT）计算方法，研究了K $_{0.65}$ RhO $_2$的低能电子结构和电子关联.我们观察到一个高度相关的费米面上的空穴袋。我们进一步注意到，相关性是动量依赖的。最重要的是，两个$kinks$在75 meV和195 meV的结合能已被观察到的费米能级附近的能带色散。虽然75 meV的低能$kink$可以理解为电子-声子相互作用的结果，但195 meV的高能$kink$的存在完全是该系统的一个新发现，导致了异常的带重正化。基于我们的实验数据的系统分析，我们提出高频玻色子激发作为一个合理的起源的高能量异常。此外，我们注意到，高能量异常具有重要的意义，在获得巨大的热电势的K $_{0.65}$ RhO $_2$。
2020-07-04 cond-mat.mtrl-sci cond-mat.str-el
High-Entropy Skutterudites as Thermoelectrics: Potential Synthesizability, Enhanced Stability and Band Convergence via the Cocktail Effect
Universidad de Sevilla（塞维利亚大学）
本研究通过鸡尾酒效应探索高熵硫化物作为热电材料，发现其具有潜在可合成性、增强稳定性及能带收敛特性，从而提升热电效率并降低成本。
2025-12-04 cond-mat.mtrl-sci
AI-accelerated Materials Informatics Method for the Discovery of Ductile Alloys
在计算材料科学中，预测宏观（例如，机械）特性的方法是使用依赖于某些材料特性（弹性常数、失配体积等）的描述符的组合来定义模型，代表宏观行为。材料性质通常使用特殊的准随机结构（SQS）与密度泛函理论（DFT）一起计算。然而，DFT与原子数成立方比例，因此对于许多合金组合物的筛选是不切实际的。在这里，我们提出了一种新的方法，结合建模方法和机器学习原子间的潜力。机器学习原子间势比DFT快几个数量级，同时达到类似的精度，允许在整个合金空间进行预测性和易处理的高通量筛选。通过预测中熵合金Mo-Nb-Ta的室温塑性说明了所提出的方法。
2022-10-14 cond-mat.mtrl-sci
Building Trustworthy AI for Materials Discovery: From Autonomous Laboratories to Z-scores
University of Toronto（多伦多大学）；University of Tennessee（田纳西大学）；Vector Institute for Artificial Intelligence（人工智能矢量研究所）；Schwartz Reisman Institute for Technology and Society（技术与社会斯瓦茨-雷曼研究所）
本文提出GIFTERS框架，用于评估材料发现中AI方法的信任度，强调信任原则和改进方法，以确保AI加速发现的同时符合科学规范。
2025-11-30 cond-mat.mtrl-sci cs.LG
LLM-Fusion: A Novel Multimodal Fusion Model for Accelerated Material Discovery
IBM Research - Tokyo（IBM 东京研究院）
本文提出LLM-Fusion，一种基于大型语言模型的多模态融合模型，通过整合SMILES、SELFIES、文本描述和分子指纹等多样化表示进行材料属性预测，在多个数据集和任务上优于单模态与简单拼接基线。
2025-03-02 cond-mat.mtrl-sci cs.AI cs.LG
AI-enhanced discovery and accelerated synthesis of metal phosphosulfides
Technical University of Denmark（丹麦技术大学）；National Centre for Nano Fabrication and Characterization (DTU Nanolab)（国家纳米制造与表征中心（DTU纳米实验室））；Department of Energy Conversion and Storage（能源转换与存储系）
本研究利用人工智能和理论方法加速金属硫磷化合物的发现与合成，发现19种新化合物并实现高通量合成。
2026-01-23 cond-mat.mtrl-sci
Energy-GNoME: A Living Database of Selected Materials for Energy Applications
Istituto Nazionale di Ricerca Metrologica（国家计量研究院）
本研究从GNoME方案的38万余种稳定晶体中筛选出3.3万余种能源候选材料，构建Energy-GNoME数据库，通过ML/DL工具缓解跨域数据偏差，预测关键材料属性，加速能源相关材料的发现。
2024-11-15 cond-mat.mtrl-sci cond-mat.other cs.LG
Developing a Complete AI-Accelerated Workflow for Superconductor Discovery
Quantum Formatics（量子形式化公司）；University of Florida（佛罗里达大学）；The Pennsylvania State University（宾夕法尼亚州立大学）；Oak Ridge National Laboratory（橡树岭国家实验室）
本文提出BEE-NET模型，通过预测Eliashberg谱函数和临界温度，高效筛选超导材料，减少候选结构至741种，并实验验证了两种新超导体。
2025-09-25 cond-mat.mtrl-sci cond-mat.supr-con
Illustrating an Effective Workflow for Accelerated Materials Discovery
本文作为极端条件高通量材料发现计划的一部分，介绍BIRDSHOT中心通过云存储、知识图谱等工具及数据采集平台，构建加速材料发现的高效协作工作流程与数据管理体系。
2024-05-21 cond-mat.mtrl-sci
