告別複雜體系的實驗試錯法：離子熱電中的機器學習|NSR

海歸學者發起的公益學術平臺

分享資訊，整合資源

交流學術，偶爾風月

研究者透過將分子線性表示符（SMILES）引入離子熱電材料體系，實現了對這一多組分、多種類複雜材料體系的機器學習建模。篩選機器學習預測結果，在實驗上報道了一種塞貝克係數高達41 mV/K的離子熱電材料，在離子熱電研究領域首次探索了“先預測，再合成”的研究正規化。相關成果發表於《國家科學評論》（National Science Review, NSR），清華大學航天航空學院馬維剛副教授為論文的唯一通訊作者，清華大學航天航空學院博士生吳翊丹為第一作者。

機器學習輔助高效能離子熱電材料開發研究框架

什麼是離子熱電材料？

熱電材料可以將熱量直接轉化為電能。而離子熱電材料透過溫差驅動離子遷移產生電勢，其塞貝克係數（衡量材料熱電效能的最關鍵指標）可以達到10 mV/K以上，是普通電子熱電材料的100倍。因此非常適合電子器件自供能和高靈敏度的熱感測器。

為什麼需要新方法開發高效能離子熱電材料？

儘管離子熱電材料看起來很有前景，但找到“好材料”並不容易。這些材料往往由複雜的化學成分構成，例如將聚合物、奈米顆粒作為基體，再新增各種離子鹽。對於如何最佳化這種複雜的材料體系效能，目前仍沒有有效的理論指導和計算模擬方法的支援。同時，這些無窮無盡的材料組分組合讓研究人員不得不依賴繁瑣的試錯實驗，費時又費力，且提升進展緩慢。此外，目前的理論模型對材料內部微觀機制的理解還不完善，這進一步限制了材料效能的提升。

研究流程示意圖

機器學習如何改變這一現狀？

機器學習的快速發展為這一難題帶來了希望。它能夠透過分析大量已知資料，自動學習材料成分與效能之間的關係，從而預測出哪些材料可能具有優異效能。在本研究中，團隊獨樹一幟地採用了一種稱為SMILES的分子編碼方式，將離子熱電材料的化學結構轉化為機器學習模型可以理解的“特徵資料”，成功解決了複雜材料體系構建規範化資料集的難題。透過分析這些特徵，模型能夠高效預測材料的塞貝克係數，並在已有實驗資料中成功實現了高達98%的預測準確率。研究人員用這一模型篩選出的新型材料——水性聚氨酯-碘化鉀（WPU/KI）離子凝膠，其塞貝克係數測量值達到了41.39 mV/K。這一結果證實了機器學習方法的可靠性，為開發高效能離子熱電材料指明瞭方向。

可解釋性分析方法得出對離子熱電塞貝克係數影響的關鍵引數，並透過分子動力學模擬加以驗證

展望

透過結合機器學習和實驗驗證，研究人員不僅節省了大量時間，還揭示了影響材料效能的關鍵因素，如離子的可旋轉鍵數和辛醇-水分配係數。這些發現為未來設計和最佳化離子熱電材料提供了科學依據。離子熱電材料有望應用於小型化能源裝置和智慧感測器中。不僅如此，結合機器學習的強大預測能力，這一方法還可以擴充套件到其他複雜組分材料領域，加速新能源材料的開發。

點選“閱讀原文”閱讀原文。

擴充套件閱讀

溼度不敏感、強韌離子凝膠及其在膝關節壓力監測上的應用 | NSR

單神經元深度學習“小模型”及其時間序列預測應用 | NSR

氫化物超導體A15-La4H23中發現反常金屬態

NSR綜述：多模態大語言模型

媒體轉載聯絡授權請看下方