High-throughput screening of Heusler alloys for thermoelectrics combining machine-learned densities of states and first-principles transport
تتحقق هذه الدراسة من صحة سير عمل الفحص عالي الإنتاجية لمركبات "هويسلر" الكهروحرارية، والذي يجمع بين حالات كثافة الحالة المتعلمة آلياً وحسابات النقل القائمة على المبادئ الأولية لتحديد 80 مرشحاً حوسبياً واعداً بكفاءة، بما في ذلك 61 مادة غير مسجلة مسبقاً، مع إثبات أنه على الرغم من أن تنبؤات الشبكة العصبية غالباً ما تخطئ في تقدير فجوات النطاق، إلا أنها تظل فعالة في تحديد أولويات المركبات للتحليل التفصيلي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
يولد العالم كمية هائلة من الحرارة المهدرة، من عوادم السيارات إلى أنظمة التبريد في محطات الطاقة. تتبدد هذه الطاقة ببساطة في الهواء، وتضيع للأبد. توفر المواد الكهروحرارية وسيلة لالتقاط تلك الحرارة المفقودة وتحويلها مباشرة إلى كهرباء، لتعمل كمولد صامت لا يتطلب أي أجزاء متحركة. تعتمد كفاءة هذه المواد على توازن دقيق: يجب أن توصل الكهرباء جيدًا مع حجب تدفق الحرارة في الوقت نفسه. إن البحث عن مواد جديدة تحقق هذا التوازن يشبه البحث عن إبرة في كومة قش، لأن عمليات المحاكاة الحاسوبية القياسية المستخدمة للتنبؤ بأدائها بطيئة للغاية ومكلفة للغاية. غالبًا ما يضطر العلماء إلى الاختيار من بين الملايين من التركيبات الكيميائية الممكنة لاختبارها، ولكن بدون طريقة موثوقة للتنبؤ بالنتيجة، فإنهم يخاطرون بتفويت أفضل المرشحين أو إضاعة الوقت في مسارات مسدودة.
وضع فريق من الباحثين حداً لهذه المشكلة عبر اختبار استراتيجية جديدة على مجموعة ضخمة من الهياكل الكيميائية المعروفة تسمى سبائك "هويسلر" (Heusler alloys). هذه عائلة محددة من المركبات المكونة من ثلاثة عناصر مختلفة، وتشتهر بإمكاناتها في تطبيقات الطاقة. أراد الباحثون معرفة ما إذا كان بإمكانهم استخدام طريق مختصر: نموذج تعلم آلي يتنبأ بـ "البصمة الإلكترونية" للمادة، والمعروفة باسم "كثافة الحالات"، لتحديد المواد التي تستحق إجراء محاكاة حاسوبية كاملة ومكلفة. لقد اختبروا هذا النهج على أكثر من مائة ألف هيكل مختلف من سبائك "هويسلر". كان الهدف هو معرفة ما إذا كانت تنبؤات التعلم الآلي جيدة بما يكفي لتوجيه عملية البحث، وما إذا كانت المؤشرات المختصرة التي استخدموها قادرة بالفعل على إيجاد المواد التي ستعمل كأدوات كهروحرارية.
بدأ الباحثون بتقسيم قاعدة بياناتهم الضخمة إلى مجموعتين. احتوت المجموعة الأولى على هياكل معروفة بصمتها الإلكترونية بالفعل من خلال حسابات سابقة عالية الجودة. أما المجموعة الثانية، فاحتوت على هياكل تفتقر إلى هذه البصمة. بالنسبة للمجموعة الثانية، قاموا بتدريب برنامج حاسوبي متطور للتنبؤ بالبصمات المفقودة بناءً على ترتيب الذرات. ثم طبقوا عملية فحص على كلتا المجموعتين. بحثت هذه العملية عن علامات محددة في البصمة الإلكترونية تشير عادةً إلى أن المادة قد تكون جيدة كأداة كهروحرارية. كانت إحدى العلامات عبارة عن فحص بسيط لمعرفة ما إذا كان هناك فجوة في مستويات طاقة الإلكترونات، وهو أمر ضروري لكي تعمل المادة كأشباه موصلات. أما العلامة الثانية، فكانت أكثر تطوراً، حيث قيست كيفية استجابة الإلكترونات للحرارة، وهي خاصية تُعرف باسم "تأثير سيبك" (Seebeck effect)، والذي يحرك توليد الكهرباء.
كشفت النتائج عن حقيقة مفاجئة بشأن الطرق المختصرة. فالفحص البسيط لوجود فجوة طاقية، والذي يعتمد عليه العديد من الباحثين، فشل في أداء مهمته. فحتى عند النظر في البيانات عالية الجودة والمعروفة، صنف هذا الفحص البسيط العديد من المعادن بشكل خاطئ على أنها أشباه موصلات. لقد كان من السهل جداً خداعه بواسطة انخفاضات صغيرة في البيانات تبدو وكأنها فجوات ولكنها ليست كذلك. كما واجه نموذج التعلم الآلي صعوبة في هذه المهمة المحددة؛ فبينما استطاع إعادة إنتاج الشكل العام للبصمة الإلكترونية بدقة عالية، إلا أنه غالباً ما قام بتنعيم الفجوات الصغيرة، مما جعلها تختفي. وهذا يعني أن سؤال "وجود فجوة أم لا" البسيط لم يكن يمكن الوثوق به، حتى عندما تمت الإجابة عليه بواسطة نموذج التعلم الآلي.
ومع ذلك، فإن المؤشر الأكثر تطوراً، الذي قاس القدرة على توليد الجهد من الحرارة، عمل بشكل رائع. نظر هذا المؤشر إلى الشكل العام للبصمة الإلكترونية بدلاً من مجرد نقطة واحدة. وقد نجح في تحديد المواد الواعدة، واضعاً أفضل المرشحين في رأس القائمة. وعندما أجرى الباحثون عمليات المحاكاة الكاملة والمكلفة على المواد ذات التصنيف الأعلى، وجدوا أن هذا المؤشر قد حصر بالفعل "الرابحين". وفي مجموعة المواد التي تنبأت نماذج التعلم الآلي ببصماتها، وُجد أن جميع المواد التي اجتازت الاختبارات النهائية تقريباً كانت ضمن أفضل عشرين بالمائة من القائمة. يشير هذا إلى أنه على الرغم من وقوع نموذج التعلم الآلي في أخطاء بشأن وجود الفجوات، إلا أن تنبؤه العام كان جيداً بما يكفي لتوجيه البحث بفعالية.
حدد البحث في النهاية ثمانين تركيباً كيميائياً مختلفاً تعد مرشحات قوية للتطبيقات الكهروحرارية. ومع ذلك، من الضروري ملاحظة أن واحد وستين من هذه التركيبات الثمانين ليس لها قياسات كهروحرارية مسجلة لطور "هويسلر"؛ وبالنسبة لهذه الحالات، تعتمد الإمكانات بالكامل على التنبؤات الحسابية. وجد الباحثون أن عشرة من أفضل أحد عشر مادة كهروحرارية معروفة في هذه العائلة تم تحديدها بشكل صحيح بواسطة طريقتهم، مما يثبت نجاح النهج مع الكيمياء المعروفة. كما اكتشفوا أنه بالنسبة للمواد التي تحتوي على عناصر ثقيلة جداً، فإن تأثيراً فيزيائياً دقيقاً يسمى "اقتران المدار المغزلي" (spin-orbit coupling) يغير النتائج بشكل كبير، وغالباً ما يقلل من أدائها. وكان لزاماً أخذ هذا التأثير في الاعتبار في الحسابات النهائية لتجنب النتائج الإيجابية الزائفة. علاوة على ذلك، أظهرت الدراسة أن تغيير شكل الهيكل البلوري قليلاً، مثل شده من مكعب إلى صندوق، نادراً ما يحول المعدن إلى شبه موصل، مما يعني أن التركيب الكيميائي الأساسي هو العامل الأكثر أهمية.
خلص الباحثون إلى أنه على الرغم من أن التعلم الآلي لا يمكنه بعد التنبؤ بدقة بوجود فجوات طاقية صغيرة، إلا أنه لا يزال أداة قوية لفرز قواعد البيانات الضخمة. المفتاح يكمن في استخدام المؤشر الصحيح. فالفحص البسيط بنظام "نعم أو لا" لوجود فجوة غير موثوق، لكن مقياس قدرة المادة على توليد الجهد من الحرارة هو مقياس قوي. ومن خلال استخدام هذا المؤشر الأفضل، يمكن للعلماء تقليل عدد عمليات المحاكاة المكلفة بشكل كبير. إن المرشحات الثمانين التي حددتها هذه الدراسة جاهزة الآن للمرحلة التالية من البحث، حيث سيتعين على العلماء التحقق من استقرارها ضد الهياكل البلورية المنافسة وقياس أدائها الفعلي في المختبر. يوفر هذا العمل خارطة طريق واضحة لكيفية استخدام الذكاء الاصطناعي لتسريع اكتشاف المواد التي قد تساعدنا يوماً ما في حصاد الحرارة المهدرة بكفاءة أكبر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.