分享信息，整合资源
交流学术，偶尔风月
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。
什么是离子热电材料？
为什么需要新方法开发高性能离子热电材料？
机器学习如何改变这一现状？
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。
扩展阅读
