热电材料机器学习方法 （1）

摘要：热电材料十分重要，性能需要改善。第一：本文概述了机器学习方法在热电研究中的应用，并系统讨论了每种机器学习方法所起的作用。第二：热电相关数据库的规模远远小于其它领域的数据库，未来克服这一缺陷，讨论了利用小型数据库促进材料科学发展的策略。

**背景：**热电定义，重要性。热电研究是多学科领域。引申到用数据分析进行机器学习可以加速发现热电材料的性质[文献8]。热电优值ZT用来评估热电材料的潜力，被定义为：

除了上述影响热电优值ZT的塞贝克系数α、电导率ρ和热导率K之外，还和晶格振动、电子性质、自旋性质有关。见图1.

电导率ρ、热导率K、塞贝克系数α和不同的基本材料性能相关，从这里开始引入更基层的描述。该基层描述见图2：

由图2可知，载流子迁移率、态密度有效质量、pauling 电负性总是被选择作为描述符，比如：作为模型输入的一套描述参数，去产生塞贝克系数、电导率的统计模型，并且旋转角动量和轨道角动量也包括在内，因为自旋热电效应。但是对于晶格热导率、原子质量、键长、原始晶胞的原子数量、晶格对称性、比热、声速和晶格非简谐效应都是重要的描述符。除了分离的电子和光子性质，电子声子相互作用经常决定电导率。在一些特殊的条件下，光电相互作用对热导率和塞贝克系数也有很重要的影响。电子声子相互作用与形变势理论中的弹性模量息息相关。并且电导率、热导率、塞贝克系数也取决于样品质量，包括晶粒尺寸和缺陷浓度。 很明显，由于复杂的联系导致提高热电材料整体效率具有很大的挑战性。而且纳米工程提供了很多的策略去提高ZT值，比如通过多层散射减少热导率、布拉格散射和局域谐振。
引入DFT密度泛函理论，引申到理论分析和机器学习的结合。理论和实验的结合去进行进一步的探索。
为了满足目标功能，本文介绍逆设计方法。由图3表示。

图3的底部包括了已知物质和未知物质（化学上可信但是未报导）。上部表示ZT性质的轮廓图。 传统的直接设计方法是调查完所有的组成物质之后，它们的性质被计算之后预测一个新物质。相反，逆设计方法中，功能首先被声明和计算，仅仅只有理想性质被调查。为了材料的设计，机器学习被用作合成步骤来加速策略探索的过程。