🔬 재료과학

High-throughput screening of Heusler alloys for thermoelectrics combining machine-learned densities of states and first-principles transport

본 연구는 머신러닝 기반 상태 밀도와 제일 원리 수송 계산을 결다는 하이 스루풋 스크리닝 워크플로우를 검증하여, 61개의 미보고 물질을 포함한 80개의 유망한 계산 후보 물질을 효율적으로 식별하는 동시에, 신경망 예측이 종종 밴드 갭을 놓치더라도 상세 분석을 위한 화합물 우선순위 지정에는 여전히 효과적임을 입증함으로써 헤우스러 열전 소재를 위한 워크플로우를 검증한다.

원저자: Shivam Randive, Rahul Dixit, Himanshu Pandey

게시일 2026-10-15

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Shivam Randive, Rahul Dixit, Himanshu Pandey

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

세계는 자동차의 배기 가스부터 발전소의 냉각 시스템에 이르기까지 엄청난 양의 폐열을 생성합니다. 이 에너지는 단순히 공기 중으로 흩어져 영원히 사라집니다. 열전 재료는 그 잃어버린 열을 포착하여 직접 전기로 바꿀 수 있는 방법을 제공하며, 움직이는 부품이 필요 없는 조용한 발전기 역할을 합니다. 이러한 재료의 효율은 미묘한 균형에 달려 있습니다. 즉, 전기는 잘 전도하면서도 열의 흐름은 차단해야 합니다. 이러한 균형을 맞추는 새로운 재료를 찾는 것은 마치 건초더미에서 바늘을 찾는 것과 같습니다. 왜냐하면 이 성능을 예측하는 데 사용되는 표준 컴퓨터 시뮬레이션은 믿을 수 없을 정도로 느리고 비용이 많이 들기 때문입니다. 과학자들은 수백만 가지의 가능한 화학적 조합 중 무엇을 테스트할지 선택해야 하지만, 결과를 예측할 신뢰할 수 있는 방법이 없다면 최고의 후보를 놓치거나 막다른 길에서 시간을 낭비할 위험이 있습니다.

한 연구팀은 알려진 화학 구조의 거대한 집합체인 헤우스러 합금(Heusler alloys)에 새로운 전략을 테스트함으로써 이 문제를 해결하고자 했습니다. 이들은 에너지 응용 분야에서 잠재력이 있는 것으로 알려진 세 가지 서로 다른 원소로 구성된 특정 화합물 가족입니다. 연구진은 지름길을 사용할 수 있는지 확인하고 싶었습니다. 즉, 재료의 전자적 '지문'이라 불리는 상태 밀도(density of states)를 예측하는 머신러닝 모델을 사용하여 어떤 재료가 전체 비용이 많이 드는 컴퓨터 시뮬레이션을 수행할 가치가 있는지 결정하는 것입니다. 그들은 10만 개 이상의 서로 다른 헤우스러 구조를 대상으로 이 접근 방식을 테스트했습니다. 목표는 머신러닝 예측이 탐색을 안내하기에 충분히 우수한지, 그리고 그들이 사용한 지름길 지표가 열전 재료로서 작동할 수 있는 재료를 실제로 찾아낼 수 있는지 확인하는 것이었습니다.

연구진은 먼저 방대한 데이터베이스를 두 그룹으로 나누었습니다. 첫 번째 그룹은 고품질의 기존 계산을 통해 전자적 지문이 이미 알려진 구조들을 포함했습니다. 두 번째 그룹은 이 지문이 누락된 구조들을 포함했습니다. 두 번째 그룹을 위해, 연구진은 원자의 배열을 바탕으로 누락된 지문을 예측하는 정교한 컴퓨터 프로그램을 훈련시켰습니다. 그런 다음 이들에게 스크리닝 과정을 적용했습니다. 이 과정은 전자적 지문에서 재료가 좋은 열전 재료가 될 수 있음을 나타내는 특정 징후를 찾았습니다. 한 가지 징후는 재료가 반도체로서 작용하는 데 필요한 전자 에너지 준위 사이의 간극(gap)이 있는지 확인하는 간단한 검사였습니다. 두 번째의 더 정교한 징후는 전자가 열에 어떻게 반응하는지를 측정하는 것으로, 전기를 생성하는 데 핵심적인 특성인 제베크 효과(Seebeck effect)를 측정하는 것이었습니다.

결과는 지름길에 대한 놀라운 진실을 드러냈습니다. 많은 연구자가 의존하는 단순한 에너지 간극 검사는 제 역할을 하지 못했습니다. 고품질의 알려진 데이터를 살펴볼 때조차, 이 단순한 검사는 많은 금속을 반도체로 잘못 분류했습니다. 이는 데이터상의 작은 굴곡을 실제 간극처럼 오인하여 너무 쉽게 속았기 때문입니다. 머신러닝 모델 또한 이 특정 작업에서 어려움을 겪었습니다. 모델은 일반적인 형태의 전자적 지문은 높은 정확도로 재현할 수 있었지만, 미세한 간극을 자주 매끄럽게 처리하여 사라지게 만들었습니다. 이는 단순한 "간극이 있는가 없는가"라는 질문이 머신러닝 모델에 의해 답변될 때조차 신뢰될 수 없음을 의미했습니다.

그러나 열로부터 전압을 생성할 가능성을 측정하는 더 정교한 지표는 매우 잘 작동했습니다. 이 지표는 단일 지점이 아니라 전자적 지문의 전체적인 형태를 살펴보았습니다. 이 지표는 유망한 재료들을 성공적으로 식별하여 최고의 후보들을 목록의 맨 상단에 배치했습니다. 연구진이 상위 순위의 재료들에 대해 전체 비용이 많이 드는 시뮬레이션을 실행했을 때, 이 지표가 실제로 승자들을 집중시켰음을 발견했습니다. 머신러닝 모델에 의해 지문이 예측된 재료 그룹에서, 최종 테스트를 통과한 거의 모든 재료는 상위 20% 이내에서 발견되었습니다. 이는 머신러닝 모델이 간극의 존재 여부에 대해 실수를 하더라도, 그 전체적인 예측은 탐색을 효과적으로 안내하기에 충분했다는 것을 시사합니다.

이 연구는 열전 응용 분야에 강력한 후보가 되는 80개의 뚜렷한 화학적 조성을 최종적으로 식별했습니다. 그러나 이 80개 조성 중 61개는 헤우스러 상(phase)에 대한 보고된 열전 측정값이 없다는 점을 유념하는 것이 중요하며, 이에 대한 잠재력은 전적으로 계산적 예측에 기반하고 있습니다. 연구진은 이 방식이 알려진 화학에서도 작동함을 증명하기 위해, 이 가족 내에서 가장 잘 알려진 11개의 열전 재료 중 10개를 이 방법으로 정확히 식별해 냈습니다. 또한, 매우 무거운 원소를 포함하는 재료의 경우, 스핀-궤도 결합(spin-orbit coupling)이라는 미묘한 물리적 효과가 결과를 크게 변화시켜 종종 성능을 저하시킨다는 것을 발견했습니다. 가짜 양성(false positives)을 피하기 위해서는 최종 계산에서 이 효과를 반드시 고려해야 했습니다. 나아가, 연구는 결정 구조의 모양을 입방체에서 직육면체로 약간 늘리는 등의 변화가 금속을 반도체로 바꾸는 경우는 드물며, 기본적인 화학적 조성이 가장 결정적인 요소임을 보여주었습니다.

연구진은 머신러닝이 아직 미세한 에너지 간극의 존재를 완벽하게 예측할 수는 없지만, 방대한 데이터베이스를 분류하는 데는 여전히 강력한 도구라고 결론지었습니다. 핵심은 올바른 종류의 지표를 사용하는 것입니다. 간극에 대한 단순한 예/아니오 체크는 신뢰할 수 없지만, 열로부터 전압을 생성할 수 있는 재료의 잠재력을 측정하는 것은 견고합니다. 이 더 나은 지표를 사용함으로써, 과학자들은 새로운 재료를 찾기 위해 필요한 값비싼 시뮬레이션의 수를 획기적으로 줄일 수 있습니다. 이 연구에서 식별된 80개의 후보는 이제 과학자들이 경쟁하는 결정 구조에 대한 안정성을 검증하고 실제 성능을 실험실에서 측정해야 하는 다음 단계의 연구를 위한 준비가 되었습니다. 이 작업은 우리가 폐열을 더 효율적으로 수확하는 데 도움을 줄 수 있는 미래의 재료를 발견하기 위해 인공지능을 어떻게 활용할 수 있는지에 대한 명확한 로드맵을 제공합니다.

기술 요약: 열전 재료를 위한 헤우스러 합금의 고처리량 스크리닝

문제 정의
새로운 열전 재료의 발견은 성능 지수( $zT$ )를 결정하는 데 필요한 제일원리 수송 계산의 계산 비용 문제로 인해 저해되고 있다. 머신러닝(ML)이 대규모 데이터베이스에서 전자 상태 밀도(DOS)를 예측하는 것을 가능하게 했으나, DOS 자체가 계산된 것이 아니라 ML로 예측된 경우에도 DOS 유래 지표가 값비싼 수송 계산을 위한 화합물을 신뢰성 있게 선택할 수 있는지는 아직 검증되지 않았다. 또한, 기존의 고처리량 스크리닝은 주로 입방 구조에 집중되어 있어, 테트라고날(tetragonal) 및 준안정 헤우스러 화합물은 거의 조사되지 않은 상태이다. 본 연구는 DFT와 ML로 예측된 스펙트럼을 모두 사용하는 DOS 기반 스크리닝이 방대한 DXMag 헤우스러 데이터베이스(106,235개 항목) 내에서 열전 후보 물질을 효과적으로 식별할 수 있는지에 대한 질문을 다룬다.

방법론
본 연구는 27,864개의 조성-구조 프로토타입 쌍으로부터 유도된 106,235개의 에너지 극소값을 포함하는 DXMag 데이터베이스에 대해 이중 팝퓰레이션(two-population) 스크리닝 전략을 채택한다.

데이터 분할: 데이터베이스는 기존의 DFT 스핀 및 궤도 분해 d-DOS가 존재하는 훈련 세트(51,257개 항목)와 DFT DOS가 결여된 예측 세트(54,978개 항목)로 나뉜다.
머신러닝 모델: 원자적 선 그래프 신경망(ALIGNN)이 훈련 세트를 사용하여 스핀 분해 d-DOS를 예측하도록 학습된다. 이 모델은 열전 관련 특징을 우선시하기 위해 페르미 준위( $E_F$ ) 근처에 가중치를 높게 둔 손실 함수를 사용한다.
스크리닝 지표: 두 가지 DOS 유래 기술자가 테스트된다:
- 이진 갭 라벨(Binary Gap Label): $E_F$ 에서의 d-DOS 내 갭 존재 여부를 확인하는 임계값 기반 체크.
- 제베크 지표( $S^d_{max}$ ): 컷러-모트(Cutler–Mott) 근사를 통해 도출된 메트릭으로, 900K에서의 열적 창(thermal window)에 의해 가중치를 부여하며, 화학 포텐셜( $\mu$ )을 $E_F$ 의 $\pm 1$ eV 범위 내에서 이동시켜 얻을 수 있는 최대 열전력을 계산한다.
선택 프로토콜: 항목들은 안정성(convex hull distance), 전자 수(18 또는 24 valence electrons), 그리고 DOS 지표에 의해 필터링된다. 선택된 항목들은 밴드 구조(Quantum ESPRESSO, QE-PBE 사용)와 상수 완화 시간 근사(CRTA) 하에서의 수송 계수(BoltzTraP2 사용)를 이용한 엄격한 제일원리 평가를 거친다.
인증 기준: 화합물은 다음 다섯 가지 순차적 기준을 충족할 때 "인증"된다: (i) $|S| > 60$ $\mu$ V K $^{-1}$ , (ii) 전력 인자/완화 시간( $PF/\tau$ ) $> 1.09 \times 10^{12}$ W m $^{-1}$ K $^{-2}$ s $^{-1}$ , (iii) 열역학적 안정성(hull distance $< 0.10$ eV atom $^{-1}$ ), (iv) QE-PBE 밴드 갭 $\ge 0.136$ eV, (v) 무거운 원소( $Z \ge 72$ )의 경우, 스핀-궤도 결합(SOC)을 통한 검증.

주요 결과

ML 예측 스펙트럼의 성능: ALIGNN 모델은 일반적인 d-DOS 형상을 높은 상관관계( $r \approx 0.895$ )로 재현하지만, 밴드 갭을 정확하게 예측하는 데는 실패한다. 홀드아웃(held-out) 스펙트럼에서 갭을 탐지하는 재현율(recall)은 15%에 불과한데, 이는 모델이 잔류 가중치로 인해 갭을 매끄럽게 뭉개버리는 경향이 있기 때문이다. 그러나 스펙트럼 유사성 지표(상관관계 등)는 이러한 실패를 포착하지 못한다.
이진 갭 라벨의 실패: 정확한 DFT 스펙트럼을 사용할 때조차 이진 갭 라벨은 불량한 분류기이다. 이 방식은 d-오비탈 갭 내의 s 및 p 상태를 무시하고 고정된 임계값에 의존하기 때문에 많은 금속을 반도체로 오인한다. 라벨을 통과한 대부분의 항목은 결국 밴드 구조 계산에서 금속성으로 나타난다.
제베크 지표의 성공: $S^d_{max}$ $S_{ma x}^{d}$ 지표는 인증된 항목들을 상위 순위에 성공적으로 집중시킨다.
- 훈련 세트에서 $S^d_{max}$ 에 의해 순위가 매겨진 상위 20%의 항목에는 모든 인증 항목의 75%가 포함되어 있다.
- 예측 세트에서는 상위 20%에 인증 항목의 91%가 포함되어 있다.
- 결정적으로, $S^d_{max}$ 는 모델이 갭을 완벽하게 해상하지 못함에도 불구하고, ML 예측 스펙트럼에서도 효과적으로 작동한다. 이는 지표가 열적 창 내에서 적분됨으로써 예측된 갭 내부의 잔류 가중치에 대해 내성을 갖기 때문이다.
스핀-궤도 결합(SOC)의 역할: 무거운 원소 후보의 경우, SOC는 퇴화된 가전자대 상태의 분리로 인해 p형 전력 인자를 크게 억제한다(스칼라 상대론적 값 대비 중앙값 비율 0.76). 반면 n형 인자는 거의 영향을 받지 않는다. 이 효과로 인해 처음에 자격을 갖추었던 115개의 무거운 원소 후보 중 40개가 탈락하였다.
구조적 변이: 테트라고날 및 준안정 구조 변이를 스크리닝한 결과, 이들이 조성의 전자적 클래스를 거의 변화시키지 않는다는 것이 밝혀졌다. 기준(최저 에너지) 결정이 금속성인 경우, 해당 조성이 갭을 갖는 변이는 발견되지 않았다.
인증된 후보 물질: 스크리닝을 통해 모든 기준을 통과한 80개의 서로 다른 조성(155개 항목)이 식별되었다.
- 검증: 11개의 확립된 하프-헤우스러 열전 물질(예: TiNiSn, ZrNiSn, NbFeSb) 중 10개가 성공적으로 인증되어 프로토콜의 타당성을 입증했다.
- 신규성: 80개 조성 중 61개는 헤우스러 상(phase)에 대한 보고된 열전 측정값이 없다.
- 상 안정성: 특정 인증 조성들(예: Z-사이트에 Si, Ge 또는 As가 있는 경우)은 현재의 convex hull 접근법의 한계로 인해, 실험적 또는 예측된 오르토롬빅(orthorhombic) 상(TiNiSi-유형)이 하프-헤우스러 구조와 경쟁하고 있음을 주의해야 한다.

의의 및 주장
본 논문은 DOS 기반 스크리닝이 수송 계산을 위한 화합물의 우선순위를 정하는 데 효과적이라고 주장하면서도, 다음과 같은 구체적인 한계와 통찰을 강조한다:

지표 대 순위: DOS 유래 제베크 지표는 후보 물질을 우선순위화(후보를 리스트 상단에 집중시킴)하는 데는 강력한 도구이지만, 전력 인자에 의해 후보를 순위 매길 수는 없다. 전력 인자는 DOS만으로는 포착할 수 없는 밴드 속도와 밸리 퇴화(valley degeneracy)에 의존하기 때문이다.
밴드 구조의 필요성: 이진 갭 라벨이나 ML 예측 스펙트럼 모두 밴드 갭의 존재를 확정적으로 확인할 수 없다. 갭을 인증하기 위해서는 전체 밴드 구조 계산이 필수적이다.
ML의 효용성: ML 예측 스펙트럼이 갭을 정확히 재현하지 못함에도 불구하고, 스크리닝 워크플로우는 견고하다. 이는 제베크 지표가 모델이 도입한 특정 오류(잔류 가중치)에 대해 내성을 갖기 때문이다.
후보의 범위: 80개의 인증된 조성은 (CRTA를 넘어 산란 및 격자 열전도도를 포함한) 추가 조사를 위한 계산적 후보이자 합성을 위한 후보로 제시된 것이지, 확정된 고성능 열전 물질은 아니다. 본 연구는 이 목록이 우선순위가 지정된 샘플이지 전수 조사가 아니며, 인증에 사용된 화학 포텐셜 창으로 인해 와이드 갭 화합물에 편향되어 있음을 명시한다.

결론적으로, 본 연구는 ML 예측 DOS와 물리 정보 기반의 제베크 지표를 결합함으로써 대규모 데이터베이스를 효율적으로 스크리닝할 수 있으며, 최종 인증이 제일원리 밴드 구조 및 수송 계산에 의존한다면 알려진 열전 물질을 회복하고 새로운 후보를 식별하는 데 성공적임을 보여준다.

기술 요약: 열전 재료를 위한 헤우스러 합금의 고처리량 스크리닝

유사한 논문