前沿:告别复杂体系的实验试错法:离子热电中的机器学习 | NSR

文摘   2024-12-19 17:55   福建  


研究者通过将分子线性表示符(SMILES)引入离子热电材料体系,实现了对这一多组分、多种类复杂材料体系的机器学习建模。筛选机器学习预测结果,在实验上报道了一种塞贝克系数高达41 mV/K的离子热电材料,在离子热电研究领域首次探索了“先预测,再合成”的研究范式。相关成果发表于《国家科学评论》(National Science Review, NSR),清华大学航天航空学院马维刚副教授为论文的唯一通讯作者,清华大学航天航空学院博士生吴翊丹为第一作者。

机器学习辅助高性能离子热电材料开发研究框架

什么是离子热电材料?


热电材料可以将热量直接转化为电能。而离子热电材料通过温差驱动离子迁移产生电势,其塞贝克系数(衡量材料热电性能的最关键指标)可以达到10 mV/K以上,是普通电子热电材料的100倍。因此非常适合电子器件自供能和高灵敏度的热传感器。

为什么需要新方法开发高性能离子热电材料?


尽管离子热电材料看起来很有前景,但找到“好材料”并不容易。这些材料往往由复杂的化学成分构成,例如将聚合物、纳米颗粒作为基体,再添加各种离子盐。对于如何优化这种复杂的材料体系性能,目前仍没有有效的理论指导和计算模拟方法的支持。同时,这些无穷无尽的材料组分组合让研究人员不得不依赖繁琐的试错实验,费时又费力,且提升进展缓慢。此外,目前的理论模型对材料内部微观机制的理解还不完善,这进一步限制了材料性能的提升。

研究流程示意图

机器学习如何改变这一现状?


机器学习的快速发展为这一难题带来了希望。它能够通过分析大量已知数据,自动学习材料成分与性能之间的关系,从而预测出哪些材料可能具有优异性能。在本研究中,团队独树一帜地采用了一种称为SMILES的分子编码方式,将离子热电材料的化学结构转化为机器学习模型可以理解的“特征数据”,成功解决了复杂材料体系构建规范化数据集的难题。通过分析这些特征,模型能够高效预测材料的塞贝克系数,并在已有实验数据中成功实现了高达98%的预测准确率。研究人员用这一模型筛选出的新型材料——水性聚氨酯-碘化钾(WPU/KI)离子凝胶,其塞贝克系数测量值达到了41.39 mV/K。这一结果证实了机器学习方法的可靠性,为开发高性能离子热电材料指明了方向。

可解释性分析方法得出对离子热电塞贝克系数影响的关键参数,并通过分子动力学模拟加以验证

展望


通过结合机器学习和实验验证,研究人员不仅节省了大量时间,还揭示了影响材料性能的关键因素,如离子的可旋转键数和辛醇-水分配系数。这些发现为未来设计和优化离子热电材料提供了科学依据。离子热电材料有望应用于小型化能源装置和智能传感器中。不仅如此,结合机器学习的强大预测能力,这一方法还可以扩展到其他复杂组分材料领域,加速新能源材料的开发。



了解详情,请阅读原文

 [点击下方链接或阅读原文] 

Unlocking new possibilities in ionic thermoelectric materials: a machine learning perspective

https://doi.org/10.1093/nsr/nwae411

免责声明:本文旨在传递更多科研资讯及分享,所有其他媒、网来源均注明出处,如涉及版权问题,请作者第一时间后台联系,我们将协调进行处理,所有来稿文责自负,两江仅作分享平台。转载请注明出处,如原创内容转载需授权,请联系下方微信号。

两江科技评论
聚焦“光声力热”超构材料、凝聚态物理、生物医学、智能制造等领域,打造科研人便捷的交流平台,发布优质新鲜的科研资讯。
 最新文章