🔬 materiaalkunde

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

Deze studie valideert een hoogdoorvootscreeningworkflow voor Heusler-thermoelektrica die machinegeleerde toestandsdichtheid combineert met first-principles transportberekeningen om efficiënt 80 veelbelovende computationele kandidaten te identificeren, inclusief 61 ongerapporteerde materialen, terwijl wordt aangetoond dat hoewel neurale netwerkvoorspellingen vaak bandgap-waarden missen, ze toch effectief blijven voor het prioriteren van verbindingen voor gedetailleerde analyse.

Oorspronkelijke auteurs: Shivam Randive, Rahul Dixit, Himanshu Pandey

Gepubliceerd 2026-10-15

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Shivam Randive, Rahul Dixit, Himanshu Pandey

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De wereld genereert een verstikkende hoeveelheid restwarmte, van de uitlaatgassen van auto's tot de koelsystemen van elektriciteitscentrales. Deze energie verdwijnt simpelweg in de lucht, verloren voor altijd. Thermoelektrische materialen bieden een manier om die verloren warmte op te vangen en deze direct in elektriciteit om te zetten, werkend als een stille generator die geen bewegende delen vereist. De efficiëntie van deze materialen hangt af van een delicaat evenwicht: ze moeten elektriciteit goed geleiden terwijl ze de stroom van warmte blokkeren. Het vinden van nieuwe materialen die dit evenwicht bereiken, is als het zoeken naar een speld in een hooiberg, omdat de standaard computersimulaties die worden gebruikt om hun prestaties te voorspellen, ongelooflijk traag en duur zijn. Wetenschappers moeten vaak kiezen welke van de miljoenen mogelijke chemische combinaties ze gaan testen, maar zonder een betrouwbare manier om de uitkomst te voorspellen, riskeren ze de beste kandidaten te missen of tijd te verspillen aan doodlopende wegen.

Een team van onderzoekers zette zich af om dit probleem op te lossen door een nieuwe strategie te testen op een enorme collectie bekende chemische structuren, de zogenaamde Heusler-legeringen. Dit zijn een specifieke familie van verbindingen bestaande uit drie verschillende elementen, bekend om hun potentieel in energietoepassingen. De onderzoekers wilden zien of ze een kortere weg konden gebruiken: een machine-learningmodel dat de elektronische "vingerafdruk" van een materiaal voorspelt, ook wel de dichtheid van toestanden genoemd, om te beslissen welke materialen een volledige, dure computersimulatie verdienen. Ze testten deze aanpak op meer dan honderdduizend verschillende Heusler-structuren. Het doel was om te zien of de machine-learningvoorspellingen goed genoeg waren om de zoektocht te sturen, en of de verkorte indicatoren die ze gebruikten daadwerkelijk de materialen konden vinden die als thermoelektrisch zouden werken.

De onderzoekers begonnen met het verdelen van hun enorme database in twee groepen. De eerste groep bevatte structuren waarvan de elektronische vingerafdruk al bekend was uit eerdere, hoogwaardige berekeningen. De tweede groep bevatte structuren waar deze vingerafdruk ontbrak. Voor de tweede groep trainden ze een geavanceerd computerprogramma om de ontbrekende vingerafdrukken te voorspellen op basis van de rangschikking van de atomen. Vervolgens pasten ze een selectieproces toe op beide groepen. Dit proces zocht naar specifieke tekenen in de elektronische vingerafdruk die er meestal op wijzen dat een materiaal een goede thermoelektrische kandidaat zou kunnen zijn. Eén teken was een eenvoudige controle om te zien of er een kloof zat in de elektronische energieniveaus, wat noodzakelijk is voor het materiaal om als halfgeleider te fungeren. Een tweede, meer geavanceerd teken mat hoe de elektronen zouden reageren op warmte, een eigenschap die bekend staat als het Seebeck-effect, wat de generatie van elektriciteit aandrijft.

De resultaten onthulden een verrassende waarheid over de kortere wegen. De eenvoudige controle op een energiekloof, waar veel onderzoekers op vertrouwen, deed zijn werk niet. Zelfs bij het kijken naar de hoogwaardige, bekende gegevens, labelde deze eenvoudige controle veel metalen onterecht als halfgeleiders. Het liet zich te gemakkelijk misleiden door kleine dalen in de gegevens die leken op gaten, maar dat niet waren. Ook het machine-learningmodel had moeite met deze specifieke taak; hoewel het de algemene vorm van de elektronische vingerafdruk met hoge nauwkeurigheid kon reproduceren, maakte het de kleine gaten vaak te glad, waardoor ze verdwenen. Dit betekende dat de eenvoudige "kloof of geen kloof"-vraag niet vertrouwd kon worden, zelfs niet als deze door het machine-learningmodel werd beantwoord.

De meer geavanceerde indicator, die de potentie mat om spanning te genereren uit warmte, werkte echter opmerkelijk goed. Deze indicator keek naar de algehele vorm van de elektronische vingerafdruk in plaats van naar slechts één enkel punt. Het identificeerde de veelbelovende materialen succesvol en plaatste de beste kandidaten helemaal bovenaan de lijst. Wanneer de onderzoekers de volledige, dure simulaties uitvoerden op de bovengestelde materialen, bleek dat deze indicator de winnaars inderdaad had geconcentreerd. In de groep materialen waarvan de vingerafdruk werd voorspeld door het machine-learningmodel, bevonden bijna alle materialen die de laatste tests doorstonden zich binnen de bovenste twintig procent van de lijst. Dit suggereert dat, zelfs als het machine-learningmodel fouten maakte over het bestaan van gaten, de algehele voorspelling goed genoeg was om de zoektocht effectief te sturen.

De studie identificeerde uiteindelijk tachtig verschillende chemische samenstellingen die sterke kandidaten zijn voor thermoelektrische toepassingen. Het is echter cruciaal om op te merken dat zestien van deze tachtig samenstellingen geen gerapporteerde thermoelektrische metingen hebben voor de Heusler-fase; voor deze is het potentieel volledig gebaseerd op computationele voorspellingen. De onderzoekers ontdekten dat tien van de elf best bekende thermoelektrische materialen in deze familie correct werden geïdentificeerd door hun methode, wat bewijst dat de aanpak werkt voor bekende chemie. Ze ontdekten ook dat voor materialen die zeer zware elementen bevatten, een subtiel fysiek effect genaamd spin-baan-koppeling de resultaten aanzienlijk verandert, wat de prestaties vaak vermindert. Dit effect moest in de uiteindelijke berekeningen worden meegenomen om fout-positieven te voorkomen. Bovendien toonde de studie aan dat het licht veranderen van de vorm van de kristalstructuur, zoals het uitrekken van een kubus naar een doos, zelden een metaal in een halfgeleider veranderde, wat betekent dat de basischemische samenstelling de meest kritieke factor is.

De onderzoekers concludeerden dat machine learning weliswaar nog niet perfect de aanwezigheid van minuscule energiekloven kan voorspellen, maar dat het nog steeds een krachtig hulpmiddel is om door enorme databases te sorteren. De sleutel is het gebruik van de juiste indicator. Een simpele ja-of-nee-check voor een kloof is onbetrouwbaar, maar een maatstaf voor het potentieel van het materiaal om spanning te genereren uit warmte is robuust. Door deze betere indicator te gebruiken, kunnen wetenschappers het aantal dure simulaties dat nodig is om nieuwe materialen te vinden, drastisch verminderen. De tachtig kandidaten die in deze studie zijn geïdentificeerd, zijn nu klaar voor de volgende fase van onderzoek, waarin wetenschappers hun stabiliteit tegenover concurrerende kristalstructuren moeten verifiëren en hun werkelijke prestaties in het laboratorium moeten meten. Dit werk biedt een duidelijk stappenplan voor hoe kunstmatige intelligentie kan worden gebruikt om de ontdekking van materialen te versnellen die ons ooit kunnen helpen om restwarmte efficiënter te oogsten.

Technische Samenvatting: High-Throughput Screening van Heusler-legeringen voor Thermoelektrische Toepassingen

Probleemstelling
De ontdekking van nieuwe thermoelektrische materialen wordt gehinderd door de computationele kosten van first-principles transportberekeningen, die vereist zijn om de merites ( $zT$ ) te bepalen. Hoewel machine learning (ML) de voorspelling van elektronische toestandsdichtheden (DOS) voor grote databases mogelijk heeft gemaakt, blijft het ongetest of DOS-gebaseerde indicatoren betrouwbaar kunnen worden gebruikt om verbindingen te selecteren voor dure transportberekeningen, met name wanneer de DOS zelf wordt voorspeld in plaats van berekend. Bovendien richten bestaande high-throughput screens zich vaak op kubische structuren, waardoor tetragonale en metastabiele varianten van Heusler-verbindingen grotendeels ononderzocht blijven. Deze studie adresseert de vraag of een DOS-gebaseerde screen, gebruikmakend van zowel Density Functional Theory (DFT) als ML-voorspelde spectra, effectief thermoelektrische kandidaten kan identificeren binnen de enorme DXMag Heusler-database (106.235 vermeldingen).

Methodologie
De studie maakt gebruik van een twee-populatie screeningstrategie op de DXMag-database, die 106.235 energiegemiddelden bevat afgeleid van 27.864 compositie-prototype paren.

Data-partitionering: De database is gesplitst in een trainingsset (51.257 vermeldingen) met bestaande DFT spin- en orbitaal-opgeloste d-DOS, en een voorspellingsset (54.978 vermeldingen) die geen DFT DOS bezit.
Machine Learning Model: Een Atomistic Line Graph Neural Network (ALIGNN) wordt getraind op de trainingsset om de spin-opgeloste d-DOS te voorspellen. Het model gebruikt een verliesfunctie die zwaar gewogen is nabij het Fermi-niveau ( $E_F$ ) om prioriteit te geven aan thermoelektrisch relevante kenmerken.
Screening Indicatoren: Twee DOS-afgeleide descriptoren worden getest:
- Binaire Gap Label: Een drempelwaarde-gebaseerde controle op een gat in de d-DOS bij $E_F$ .
- Seebeck Indicator ( $S^d_{max}$ ): Een metriek afgeleid van de Cutler–Mott benadering, waarbij de maximale thermospanning wordt berekend door het chemische potentiaal ( $\mu$ ) te verschuiven binnen $\pm 1$ eV van $E_F$ , gewogen door het thermische venster bij 900 K.
Selectieprotocol: Vermeldingen worden gefilterd op stabiliteit (convex hull afstand), elektronentelling (18 of 24 valentie-elektronen) en de DOS-indicatoren. Geselecteerde vermeldingen ondergaan een rigoureuze first-principles beoordeling met Quantum ESPRESSO (QE-PBE) voor bandstructuren en BoltzTraP2 voor transportcoëfficiënten onder de constant-relaxatietijd benadering (CRTA).
Certificeringscriteria: Een verbinding wordt "gecertificeerd" als deze aan vijf opeenvolgende criteria voldoet: (i) $|S| > 60$ $\mu$ V K $^{-1}$ , (ii) Power Factor/relaxatietijd ( $PF/\tau$ ) $> 1,09 \times 10^{12}$ W m $^{-1}$ K $^{-2}$ s $^{-1}$ , (iii) thermodynamische stabiliteit (hull afstand $< 0,10$ eV atom $^{-1}$ ), (iv) een QE-PBE bandgap $\ge 0,136$ eV, en (v) voor zware elementen ( $Z \ge 72$ ), validatie met spin-orbitaal koppeling (SOC).

Belangrijkste Resultaten

Prestaties van ML-voorspelde Spectra: Het ALIGNN-model reproduceert de algemene vorm van de d-DOS met een hoge correlatie ( $r \approx 0,895$ ), maar faalt in het nauwkeurig voorspellen van band gaps. De recall voor het detecteren van gaten in de gehouden-out spectra is slechts 15%, omdat het model de neiging heeft om gaten glad te strijken met residu-gewicht. Echter, spectrale gelijkenheidsmetrieken (zoals correlatie) vatten dit falen niet op.
Falen van Binaire Gap Labels: Zelfs bij het gebruik van accurate DFT-spectra is de binaire gap label een slechte classifier. Het identificeert veel metalen als halfgeleiders omdat het s- en p-toestanden binnen een d-orbitaal gat negeert en vertrouwt op een vaste drempelwaarde. De meeste vermeldingen die de label passeren, blijken uiteindelijk metallisch te zijn in bandstructuur-berekeningen.
Succes van de Seebeck Indicator: De $S^d_{max}$ $S_{ma x}^{d}$ indicator slaagt erin gecertificeerde vermeldingen te concentreren aan de top van de rangschikking.
- In de trainingsset bevatnen de top 20% van de vermeldingen gerangschikt door $S^d_{max}$ respectievelijk 75% van alle gecertificeerde vermeldingen.
- In de voorspellingsset bevatten de top 20% 91% van de gecertificeerde vermeldingen.
- Cruciaal is dat $S^d_{max}$ effectief blijft op ML-voorspelde spectra, ondanks het onvermogen van het model om gaten perfect te resolveren. De integratie van de indicator over een thermisch venster maakt het tolerant voor het residu-gewicht binnen voorspelde gaten.
Rol van Spin-Orbitaal Koppeling (SOC): Voor kandidaat-verbindingen met zware elementen onderdrukt SOC de p-type power factors aanzienlijk (mediaan ratio van 0,76 vergeleken met scalaire-relativistische waarden) door de splitsing van gedegenereerde valentieband-toestanden, terwijl n-type factoren grotendeels onveranderd blijven. Dit effect elimineert 40 van de 115 zware-element kandidaat-verbindingen die aanvankelijk gekwalificeerd waren.
Structurele Varianten: Het screenen van tetragonale en metastabiele structurele varianten toonde aan dat zij zelden de elektronische klasse van een compositie veranderen. Geen enkele variant werd gevonden die een gap vertoonde waar de referentie (laagste energie) kristal metallisch was.
Gecertificeerde Kandidaten: De screen identificeerde 80 verschillende composities (155 vermeldingen) die aan alle criteria voldeden.
- Validatie: Tien van de elf gevestigde half-Heusler thermoelektrische materialen (bijv. TiNiSn, ZrNiSn, NbFeSb) werden succesvol gecertificeerd, wat het protocol valideert.
- Nieuwigheid: 61 van de 80 composities hebben geen gerapporteerde thermoelektrische metingen voor de Heusler-fase.
- Fase-stabiliteit: Verschillende gecertificeerde composities (bijv. die met Si, Ge of As op de Z-site) worden gemarkeerd omdat experimentele of voorspelde orthorhombische fasen (TiNiSi-type) concurreren met de half-Heusler structuur, een beperking van de huidige convex hull benadering.

Betekenis en Claims
Het artikel claimt dat een DOS-gebaseerde screen effectief verbindingen kan prioriteren voor transportberekeningen, maar benadrukt specifieke beperkingen en inzichten:

Indicator vs. Rangschikking: De DOS-afgeleide Seebeck indicator is een krachtig instrument voor het prioriteren van kandidaten (het concentreren van hen aan de top van de lijst), maar kan ze niet rangschikken naar power factor. De power factor hangt af van band-snelheden en valley-degeneratie, wat de DOS alleen niet kan vatten.
Noodzaak van Bandstructuur: Noch een binaire gap label, noch een ML-voorspeld spectrum kan definitief de aanwezigheid van een band gap bevestigen. Een volledige bandstructuur-berekening is vereist om een gap te certificeren.
Nut van ML: Hoewel ML-voorspelde spectra er niet in slagen gaten accuraat te reproduceren, blijft de screening workflow robuust omdat de Seebeck indicator tolerant is voor de specifieke fouten (residu-gewicht) die het model introduceert.
Omvang van Kandidaten: De 80 gecertificeerde composities worden gepresenteerd als computationele kandidaten voor verder onderzoek (voorbij CRTA, inclus\u0026reg scattering en rooster thermische geleidbaarheid) en synthese, in plaats dan als bevestigde hoog-presterende thermoelektrische materialen. De studie merkt expliciet op dat de lijst een geprioriteerde steekproef is, geen census, en gebiased is tegen breed-gap verbindingen vanwege het gebruikte chemische potentiaal venster bij de certificering.

Concluderend demonstreert de studie dat het combineren van ML-voorspelde DOS met een natuurkundig geïnformeerde Seebeck indicator een efficiënte screening van enorme databases mogelijk maakt, waarbij bekende thermoelektrische materialen succesvol worden teruggevonden en nieuwe kandidaten worden geïdentificeerd, mits de uiteindelijke certificering leunt op first-principles bandstructuren en transportberekeningen.

Technische Samenvatting: High-Throughput Screening van Heusler-legeringen voor Thermoelektrische Toepassingen

Meer zoals dit