用于热电材料发现的机器学习

---

中国的研究人员开发了一种机器学习（ML）算法来简化高性能离子热电（iTE）材料的发现和开发。

机器学习框架提供了一种快速、精确的方法来预测传感器和热回收系统的热电材料的塞贝克系数。

离子热电材料以其高塞贝克系数而闻名，通常超过 10 mV/K，比电子材料高两个数量级。然而，热电发动机的开发可能需要大量的劳动力，需要进行反复试验。

iTE 材料在温度梯度下经历不均匀的阴离子和阳离子扩散，产生电势差为外部设备供电。

中国清华大学团队开发的“简化分子输入行输入系统”（SMILES）用于编码分子结构，使机器学习模型能够有效处理iTE材料类型的多样性。

ML 回归模型经过训练，可准确评估塞贝克系数，以直接筛选 i-TE 材料。

• 丝绸将纺织品变成充电站
• 用于柔性热电发电机片的纳米棒

ML 模型在精心策划的 51 个 i-TE 材料样本数据集上进行训练，在测试用例中实现了令人印象深刻的 0.98 决定系数 (R²)。通过分析 SMILES 的分子特征，该模型预测了一系列有前景的材料，其中水性聚氨酯碘化钾 (WPU/KI) 离子凝胶脱颖而出。实验验证证实离子凝胶的塞贝克系数为 41.39 mV/K。

通过可解释的分析，该团队确定了影响塞贝克系数的关键分子描述符。有两个特征很突出：可旋转键的数量和离子供体的辛醇-水分配系数。分子动力学模拟进一步证实了它们的影响，揭示了这些特性控制着离子扩散以及与聚合物基质的相互作用——高热电背后的关键机制。例如，更多数量的可旋转键与离子扩散效率降低相关，而低分配系数表明库仑相互作用更强，从而增强热电性能。

这项研究还强调了机器学习模型的互补性。虽然梯度增强决策树 (GBDT) 在已知范围内提供了高精度预测，但遗传编程符号回归 (GPSR) 等符号回归模型在超出数据集外推时表现出了实用性，从而提出了新颖的材料组合。

研究人员通过制造和测试顶级材料来验证他们的预测。WPU/KI 离子凝胶在各种条件下表现出稳定的性能，温度感应电压在 5.5 K 梯度下增加 250 mV。分子动力学模拟阐明了驱动这种性能的物理相互作用，例如钾离子和离子之间的强静电引力。聚氨酯基质。

清华大学教育学院

---

---