npj: 挖掘热电材料—无需标签的无监督学习

国际科技财经博客移民网络热点娱乐民生时事公众号

Redian新闻

>公众号

科学

2022-05-03 03:05

海归学者发起的公益学术平台

分享信息，整合资源

交流学术，偶尔风月

热电转换技术能够实现热能和电能的直接相互转换，在缓解全球能源和环境危机方面具有较大的应用前景。Half-Heusler型材料由于具有较高的电性能、较好的机械性能和热稳定性，被称为最有潜力的高温热电材料之一。在Materials Project数据库中，有500余个half-Heusler结构的材料，但是仅有有限个材料被报道为热电材料，本研究希望借助于机器学习加速开发出新的有潜力的half-Heusler型热电材料。有监督的机器学习必须事先获得具有标签的大量数据作为训练集，费时费力且获得的标签具有一定的误差。该研究提出了一种无需标签的无监督机器学习方法，根据输入特征对数据集进行聚类挖掘潜在的half-Heusler型热电材料。

来自哈尔滨工业大学（深圳）材料科学与工程学院、材料基因与大数据研究院的刘兴军教授和张倩教授团队提出了一种利用无监督机器学习挖掘新型热电材料的方法，不需要获得标签，打破了监督学习中需要预先获得数据标签的限制。该研究从Materials Project数据库中提取出456个half-Heusler材料，其中有20个材料是已被报道的实验合成材料，且优化后具有较高的热电性能。将数据库中的晶体结构和电子结构等信息数据化后得到484个特征作为领域知识描述符。利用无监督聚类技术基于生成的484个特征将456个材料进行聚类得到不同的簇，根据20个已知热电材料所在簇的结果迭代模型，最终在436个未知材料中获得了新的20个潜在的热电材料。进一步，我们对筛选获得的ScNiSb材料同时进行了n型和p型实验优化。该研究为机器学习加速热电材料的开发提供了新思路。

该文近期发表于npj Computational Materials 8: 34 (2022)，英文标题与摘要如下，点击左下角“阅读原文”可以自由获取论文PDF。

Unsupervised Machine Learning for Discovery of Promising Half-Heusler Thermoelectric Materials

Xue Jia#, Yanshuai Deng#, Xin Bao, Honghao Yao, Shan Li, Zhou Li, Chen Chen, Xinyu Wang, Jun Mao, Feng Cao*, Jiehe Sui, Junwei Wu, Cuiping Wang, Qian Zhang* & Xingjun Liu*

Thermoelectric materials can be potentially applied to waste heat recovery and solid-state cooling because they allow a direct energy conversion between heat and electricity and vice versa. The accelerated materials design based on machine learning has enabled the systematic discovery of promising materials. Herein we proposed a successful strategy to discover and design a series of promising half-Heusler thermoelectric materials through the iterative combination of unsupervised machine learning with the labeled known half-Heusler thermoelectric materials. Subsequently, optimized zT values of ~0.5 at 925 K for p-type Sc_0.7Y_0.3NiSb_0.97Sn_0.03and ~0.3 at 778 K for n-type Sc_0.65Y_0.3Ti_0.05NiSb were experimentally achieved on the same parent ScNiSb.