Predicting Thermoelectric Transport Properties from Composition with Attention-based Deep Learning
热电材料可用于制造将废热回收为电能的装置。然而，最著名的热电材料是基于稀有、昂贵甚至有毒的元素，这限制了它们的广泛应用。为了能够在全球范围内部署，因此需要新型的有效热电器件。传输特性的$\textit{Ab initio}$模型可以帮助设计新的热电器件，但是它们在计算上仍然太昂贵，不能仅仅依赖于在所有可能的候选物的巨大化学空间中进行高通量筛选。在这里，我们使用现代机器学习技术构建的模型来扫描非常大面积的无机材料空间，以寻找新的热电材料，并使用成分作为输入。我们采用基于注意力的深度学习模型，根据来自$\textit{ab initio}$计算的数据进行训练，以预测材料在一定温度范围内的塞贝克系数、电导率和功率因子以及$\textit{n}$或$\textit{p}$类型的掺杂水平，考虑到输入的简单性，具有令人惊讶的良好性能，并且计算成本显着降低。将该模型应用于已知和假设的二元和三元硒化物的空间的结果揭示了几种可能代表有前途的热电材料。我们的研究建立了一个基于成分的热电行为预测协议，可以很容易地增强更准确的理论或实验数据库变得可用。
2022-12-13 cond-mat.mtrl-sci
Discarded gems: Thermoelectric performance of materials with band gap emerging at the hybrid-functional level
有限电子带隙是使用密度泛函理论（DFT）进行材料高通量筛选的标准滤波器。然而，由于在标准DFT近似中系统地低估了带隙，许多化合物可能被错误地预测为金属。在更准确的处理中，这样的材料可以替代地表现为低带隙材料，并且如果合适的掺杂是可行的，则可以例如具有良好的热电性质。为了探索这种可能性，我们进行了混合功能计算的1093立方材料中列出的MaterialsProjects数据库中的四个原子的原始晶胞，自旋中性基态，和形成能量在0.3 eV的凸包。在这些材料中，我们确定了八种化合物，其中出现了有限的带隙。评估这些化合物的电子和热传输性能，我们发现的组合物MgSc2汞和Li2 CaSi表现出有前途的热电性能。这些发现强调了重新评估化合物的带隙和能带结构以识别其他潜在热电材料的潜力。
2021-07-19 cond-mat.mtrl-sci
Combining Machine Learning Models with First-Principles High-Throughput Calculation to Accelerate the Search of Promising Thermoelectric Materials
本文通过第一性原理高通量计算构建含796种硫族化合物的热电数据库，并训练集成学习与深度学习模型筛选有前景的n型和p型热电材料，分类准确率均超85%，AUC超0.9，展示了机器学习加速热电材料发现的高效路径。
2024-05-04 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
Design Principles for Topological Thermoelectrics
The Ohio State University（俄亥俄州立大学）
本文探讨拓扑材料的热电性能，特别是节点半金属，分析其拓扑特性如何提升热电效率，提出设计原则以优化热电材料性能。
2025-09-29 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
Reference compositions for bismuth telluride thermoelectric materials for low-temperature power generation
Korea Electrotechnology Research Institute (KERI)（韩国电气技术研究院）；Kyungpook National University（庆北国立大学）
本文通过数据驱动分析提出 BiTe 基热电材料参考组成，用于低温发电，展示了其高功率输出和效率，推动热电模块标准化与工业应用。
2025-07-09 cond-mat.mtrl-sci physics.comp-ph
Inverse Design of Ultralow Lattice Thermal Conductivity Materials Via Lone Pair Cation Coordination Environment
孤对（LP）电子的存在与晶格热传输的中断密切相关，这是实现有效热电能量转换的策略的关键组成部分。通过利用晶格热导率$κ_L$和磷族元素LP阳离子配位环境键角之间的经验关系，我们开发了一种基于材料数据库筛选的逆向设计策略，以识别具有超低$κ_L$的硫族化合物热电材料。筛选$\sim$ 635，000真实的和假设的无机晶体的开放量子材料数据库的基础上的组成元素，标称电子计数，LP阳离子配位环境，和合成，我们确定了189化合物预计表现出超低$κ_L$。作为验证，我们明确计算的晶格动力学性质的两个化合物（铜$_2$ AgBiPbS $_4$和MnTl $_2$作为$_2$ S $_5$）使用第一性原理计算，并成功地发现都实现超低$κ_L$值在室温下的$\sim$ 0.3--0.4 W/（m $\cdot$ K）对应的非晶极限。我们的数据驱动方法为热电材料提供了有前途的候选材料，并为材料的声子性质的设计开辟了新的途径。
2020-04-03 cond-mat.mtrl-sci
Reexamining Machine Learning Models on Predicting Thermoelectric Properties
本文考察物理概念与掺杂剂特征对机器学习预测热电性质的作用，并通过遗传算法排序关键特征，提升了掺杂材料预测准确性。
2025-08-30 cond-mat.dis-nn cond-mat.mtrl-sci
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
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
Dimensionality Mismatch Enables Decoupled Heat and Charge Transport
Nanjing Normal University（南京师范大学）；Yangzhou University（扬州大学）
该研究通过Materials Project高通量筛选，发现准一维材料的维度失配可解耦热与电荷输运，SbTeI在900 K附近最大zT约2.1，为热电器件材料提供了通用策略。
2026-08-18 cond-mat.mtrl-sci physics.comp-ph
Bipolar conduction asymmetries lead to ultra-high thermoelectric power factor
低带隙热电材料在高温下遭受双极效应，具有增加的电子热导率和降低的塞贝克系数，导致降低的功率因数和低ZT品质因数。在这项工作中，我们表明，存在较强的传输之间的不对称性的传导和价带可以允许高声子限制的电子电导率在有限的塞贝克系数值，从而大大增强功率因数。可以实现的功率因数与其最大单极对应物相比可以显著更大，从而允许ZT品质因数加倍。我们确定这种行为在低带隙的情况下，从半Heusler材料家族。使用这两个，先进的电子玻尔兹曼传输计算现实的材料能带结构，以及模型抛物线电子带，我们详细说明了确定这种效果的参数。然后，我们开发了一系列描述符，这些描述符可以指导机器学习研究在几乎原始的条件下识别具有非凡功率因子的此类材料。为此，我们测试了3000多个分析能带结构及其特征，以及120多个可能的描述符，以确定最有前途的那些，这些描述符包含：i）仅能带结构特征，以便于从材料数据库中识别，以及ii）能带结构和输运参数，这些参数提供了更高的相关性，但参数可用性可能有点稀缺。
2022-02-04 cond-mat.mtrl-sci cond-mat.other
Screening of half-Heuslers with temperature-induced band convergence and enhanced thermoelectric properties
本文利用电子-声子重整化方法揭示半赫斯勒化合物温度诱导导带汇聚的关键因素，并据此从274种材料中筛选出TiRhBi、TiPtSn、NbPtTl，以TiPtSn为例验证了温度效应对塞贝克系数和热电性能预测的重要性。
2024-06-29 cond-mat.mtrl-sci
Descriptors of intrinsic hydrodynamic thermal transport: screening a phonon database in a machine learning approach
机器学习技术用于探索流体动力学热传输的内在起源，并发现科学和工程感兴趣的新材料。流体动力学热输运本质上由流体动力学尺度和热导率决定。得到了131种晶体化合物材料的内禀性质与谐波和非谐波性质之间的相关性，以及大量的成分（290）和结构（1224）描述符，揭示了决定内禀流体力学效应大小的一些关键描述符，其中大部分与声子弛豫时间有关。然后，一个经过训练的黑盒模型被应用于筛选5000多个材料。结果确定具有潜在技术应用的材料。了解与流体动力学热输运相关的性质有助于发现新的热电材料，并有助于设计新材料以减轻电子器件中的散热。
2021-10-19 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
Exploring low lattice thermal conductivity materials using chemical bonding principles
对于与热能转换和管理相关的应用，例如热电和热障涂层，高度期望具有非常低的晶格热导率的半导体。虽然已知晶体结构和化学键合在形成热传递行为中起重要作用，但使用化学键合原理降低晶格热导率的材料设计方法并不常见。在这项工作中，我们提出了一个有效的策略，削弱原子间的相互作用，从而抑制晶格热导率的基础上化学键的原则，并开发了一个高效的方法，发现低$κ_{\rm L}$材料通过筛选本地的晶体化合物的配位环境。随后的第一性原理计算从无机晶体结构数据库中包含的13种原型晶体结构中发现了30种迄今未开发的具有（超）低晶格热导率的化合物。此外，我们展示了一种合理设计高性能热电材料的方法，通过另外将阳离子与立体化学活性孤对电子。我们的研究结果不仅提供了基本的见解，在一个大家庭的铜基化合物的低晶格热导率的物理起源，但也提供了一个有效的方法来发现和设计具有目标的热传输性能的材料。
2021-07-11 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
Lattice Thermal Conductivity from First Principles and Active Learning with Gaussian Process Regression
本研究提出一种结合第一性原理计算与高斯过程回归的主动学习模型，基于268种立方化合物训练集，成功预测了Materials Project数据库中1574种材料的晶格热导率，并筛选出27种极低热导率化合物，为高效热电材料开发提供了新方向。
2023-09-13 cond-mat.mtrl-sci
First-principles screening of materials with extreme effective masses
University of Cambridge（剑桥大学）；École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）；Paul Scherrer Institute（保罗谢尔研究所）
本研究通过原理计算筛选出具有极端有效质量的材料，揭示了电子和空穴的导电有效质量张量，并探讨了材料在窄带隙区域的物理极限。
2026-08-05 cond-mat.mtrl-sci physics.comp-ph
Machine learning, phase stability, and disorder with the Automatic Flow Framework for Materials Discovery
传统的材料发现方法-主要依赖于艰苦的实验-已经控制了技术的步伐。相反，计算方法提供了一个加速的路径：高通量的探索和虚拟结构的表征。这些由自动化从头开始框架执行的项目迅速扩大了可编程访问的数据量，为数据驱动的方法创造了机会。在此，提出了一系列强大的表征方法，在材料发现的自动流框架（AFLOW）中实现，该框架利用材料数据来预测无序材料的相图和特性。这些方法直接解决了材料的可合成性问题，弥合了模拟和实验之间的差距。为这些预测提供动力的是AFLOW.org无机晶体库，这是同类数据库中最大和最全面的数据库，包含200多万种化合物，每种化合物计算出约100种不同的性质。正如使用标准化参数集计算的那样，丰富的数据也提供了有利的学习环境。机器学习算法用于性能预测、描述符开发、设计规则发现和候选功能材料的识别。当与物理模型和智能制定的描述符相结合时，数据成为一个强大的工具，促进了从高温超导体到热电应用的新材料的发现。这些方法已经通过本文介绍的两个新的永磁体的合成进行了验证-这是通过计算方法首次发现的。
2018-11-20 cond-mat.mtrl-sci
Leveraging Low-Fidelity Data to Improve Machine Learning of Sparse High-Fidelity Thermal Conductivity Data via Transfer Learning
半导体的晶格热导率（TC）对于从微电子到热电的各种应用至关重要。数据驱动的方法可以潜在地建立快速筛选具有理想TC的候选物所需的关键组成-性质关系，但可用数据的数量少仍然是主要挑战。TC可以有效地计算使用经验模型，但它们具有较差的精度相比，更需要资源的第一性原理计算。在这里，我们演示了使用迁移学习（TL）来改进在实验和第一性原理计算中的小而高保真TC数据上训练的机器学习模型，通过利用从经验TC模型生成的大而低保真度数据，其中高保真和低保真度TC数据的训练被视为不同但相关的任务。TL将R2中的模型精度提高了23%，并将平均因子差异降低了30%。使用TL模型，筛选了大型半导体数据库，并确定了几个室温TC > 350 W/mK的候选者，并使用第一性原理模拟进行了进一步验证。这项研究表明，TL可以利用大的低保真度的数据作为代理任务，以改善模型的目标任务与高保真度，但小的数据。TL的这种能力可能对材料信息学具有重要意义。
2022-08-28 cond-mat.mtrl-sci physics.app-ph
