🔬 materials science

High-throughput development of flexible amorphous materials showing large anomalous Nernst effect via automatic annealing and thermoelectric imaging

该研究通过集成自动退火与锁相热成像的高通量筛选方法，从 151 种铁基合金中发现了 7 种具有优异柔性和高反常能斯特系数（最高达 4.8 μV/K）的候选材料，并揭示了短程原子序在无序体系热电转换中的关键作用。

原作者： Sang J. Park, Ravi Gautam, Abdulkareem Alasli, Takamasa Hirai, Fuyuki Ando, Hosei Nagano, Hossein Sepehri-Amin, Ken-ichi Uchida

发布于 2026-02-20

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Sang J. Park, Ravi Gautam, Abdulkareem Alasli, Takamasa Hirai, Fuyuki Ando, Hosei Nagano, Hossein Sepehri-Amin, Ken-ichi Uchida

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲述了一个关于**“如何像淘金一样，快速找到能高效收集废热的柔性材料”**的故事。

想象一下，我们的世界充满了被浪费的热量（比如汽车引擎、电脑 CPU 甚至人体散发的热量）。科学家一直想把这些“废热”变成电，就像把水流的动能变成电力一样。传统的做法是寻找一种特殊的“热 - 电转换器”，但这个过程通常很慢、很笨重，而且做出来的材料往往太脆，没法弯曲。

这篇论文介绍了一种**“高科技淘金法”**，他们成功找到了一种既柔软又能高效发电的新材料。

以下是用通俗语言和比喻对这篇论文核心内容的解读：

1. 核心目标：寻找“热流偏转器”

科学家想利用一种叫**“反常能斯特效应”（ANE）**的现象。

比喻：想象热流（热量）像一群在直道上奔跑的人。通常，如果你给这群人施加一个磁场（就像一阵侧风），他们可能会稍微偏一点，但不会跑偏太多。
ANE 的神奇之处：这种材料能让热流在磁场作用下，发生90 度的大转弯，直接变成电流。这就像给热流修了一条“直角弯道”，让热量直接“拐弯”变成电。
挑战：以前这种材料要么太硬（像玻璃），要么很难制造，而且很难找到性能最好的配方。

2. 创新方法：自动化的“超级流水线”

以前，科学家想测试一种新材料，需要：

手工把材料放进炉子加热（退火）。
拿出来，手工接上电线和加热器。
测一次数据。
换个温度，重复一遍。
这就像是一个人在用勺子一勺一勺地试汤的咸淡，效率极低。

这篇论文的突破在于建立了一条“全自动流水线”：

自动退火机器人：他们设计了一个机器人系统，能同时把 12 个样品放进不同的炉子里，设定不同的温度，加热 15 分钟，然后自动扔进水里冷却。就像自动化的烘焙工厂，一次能烤出 12 种不同火候的面包，完全不需要人动手。
红外热成像“透视眼”：他们不用给每个样品接电线，而是用一种叫**锁相热成像（LIT）**的技术。
- 比喻：想象你在黑暗中给一排样品通上电，然后用红外相机（像夜视仪）看它们。因为电流和磁场的作用，样品表面会产生微小的温差。相机能直接“看”到这些温差，就像用热成像仪看谁在发烧一样。
- 优势：一次能同时看几十个样品，而且不需要接触，速度极快。

3. 淘金过程：从 151 个样品中选出 7 个冠军

筛选：他们准备了 11 种不同配方的铁基合金（像不同的面粉配方），然后让机器人对每种配方在 10 种不同的温度下进行“烘焙”（退火）。
数量：总共测试了 151 个 样品。
结果：通过这种“大海捞针”式的高通量筛选，他们找到了 7 个 表现最棒的“冠军选手”。
性能：这些冠军材料的发电能力（反常能斯特系数）达到了 4.8 µV/K。这是目前柔性材料中的世界纪录！

4. 意外发现：为什么它们这么强？

科学家原本以为，只有材料里长出微小的铜颗粒（像面团里包了巧克力豆）才能增强效果。但结果让他们大吃一惊：

发现一：即使没有铜颗粒的材料，只要加热到特定的温度（接近材料开始结晶的温度），性能也会突然爆发。
比喻：这就像面团在烘烤到某个临界点时，虽然还没完全变成面包，但内部的微观结构发生了奇妙的“重组”，让电子更容易“拐弯”。
结论：这种增强不仅仅靠“硬”的晶体颗粒，还靠材料内部原子排列的微妙变化（短程有序）。这就像虽然还没盖好房子，但砖块摆放的秩序已经让气流变得顺畅了。

5. 为什么这很重要？（柔性是关键）

传统痛点：以前的高效材料像玻璃，一弯就碎，只能用在平坦的表面上。
新突破：这次找到的材料像橡胶或金属箔，非常柔软。
应用场景：这意味着我们可以把这种材料贴在弯曲的管道、汽车排气管、甚至人的手腕上，把原本无法利用的废热收集起来发电。

总结

这篇论文就像是在说：

“我们不再像以前那样，笨手笨脚地一个个试材料。我们造了一个全自动的‘材料试吃员’机器人，配合红外透视眼，在一天之内试了 151 种配方。结果发现，只要把铁合金加热到那个‘微妙的临界点’，哪怕没有特殊的添加剂，它也能变成超级高效的柔性发电机。这为未来给各种弯曲物体‘充电’打开了大门。”

这项研究不仅找到了更好的材料，更重要的是展示了一种**“数据驱动 + 自动化实验”**的新模式，未来我们可以用这种方法更快地发现各种神奇的新材料。

这是一份关于该论文的详细技术总结，涵盖了研究背景、方法论、核心贡献、实验结果及科学意义。

论文技术总结：通过自动退火和热成像技术高通量开发具有大反常能斯特效应（ANE）的柔性非晶材料

1. 研究背景与问题 (Problem)

能源挑战： 全球变暖背景下，低品位废热的回收利用对于实现碳中和至关重要。热电转换技术因其无振动、无冷却液等优势备受关注。
现有局限： 传统的纵向热电效应（塞贝克效应）器件需要 n 型和 p 型材料匹配，存在接触电阻和热膨胀系数不匹配等问题。
反常能斯特效应（ANE）的优势： ANE 是一种横向热电效应，电荷产生方向垂直于热流。其优势在于无需结或额外电极材料，仅需单一磁性材料，且输出电压和功率随横向尺寸和面积缩放，适合大规模能量收集。
材料瓶颈：
- 传统的 ANE 增强策略依赖于高质量单晶材料（利用贝里曲率），但这类材料通常缺乏机械柔性，且对费米能级位置极其敏感，难以大规模制备。
- 非晶或部分结晶材料具有优异的机械柔性，但其 ANE 增强机制复杂（涉及短程有序、异质畴等），且传统“试错法”筛选效率低下，难以系统探索成分与退火条件的复杂关系。
核心问题： 如何高效筛选出兼具高 ANE 性能（大反常能斯特系数 $S_{ANE}$ ）和优异机械柔性的非晶合金材料，并揭示其微观增强机制？

2. 方法论 (Methodology)

本研究提出了一种高通量筛选策略，结合了自动化退火系统与无接触热成像测量技术：

自动化退火系统 (Automatic Annealing System)：
- 开发了包含三套机械臂、真空炉和淬火浴的自动系统。
- 实现了无人工干预的批量处理，可同时装载 12 个样品，每次退火 3 个。
- 具备高真空保护（防氧化）和精确的温度控制，支持不同退火温度（ $T_a$ ）的批量制备。
锁相热成像技术 (Lock-in Thermography, LIT)：
- 利用**反常埃廷斯豪森效应（AEE）**与 ANE 的昂萨格（Onsager）互易关系（ $S_{ANE} = \Pi_{AEE}/T$ ）进行间接测量。
- 原理： 对串联的多个样品施加交变电流和恒定磁场，红外相机同步检测样品横向产生的温度差（ $\Delta T$ ）。
- 优势： 无需为每个样品单独安装加热器或电极，可一次性在视场（FOV）内同时测量数十个样品的横向热电性能，极大提高了筛选效率。
- 数据处理： 通过磁场对称化（ $\pm H$ ）分离出 AEE 信号，排除焦耳热和佩尔捷效应的干扰。
筛选流程：
- 制备了 11 种不同成分（Fe 基，含 Si, B, Nb, Cu, P 等）的非晶带材。
- 采用反馈式迭代筛选：从 121 个初始样品（不同成分 + 不同 $T_a$ ）开始，根据性能筛选前 10%，缩小温度步长进行下一轮优化。
- 最终对筛选出的高性能样品进行定量表征（热导率 $\kappa$ 、原子探针层析 APT、透射电镜 STEM 等）。

3. 关键贡献 (Key Contributions)

建立了高通量 ANE 材料发现平台： 首次将自动化退火与 LIT 技术结合，成功筛选了 151 个不同成分和退火条件的样品，解决了传统方法在复杂非晶系统筛选中的效率瓶颈。
发现了创纪录的柔性 ANE 材料： 筛选出 7 种高性能候选材料，其中最佳样品（D2-673）的 $S_{ANE}$ 达到 4.8 µV/K，是目前报道的柔性材料（包括块体和薄膜）中的最高值。
揭示了非晶体系 ANE 增强的普适规律： 统计表明，ANE 增强普遍发生在非晶带材的第一结晶温度（ $T_{x1}$ ）附近，且与具体成分（是否含 Cu）无强相关性。
阐明了微观增强机制：
- 证实了 Cu 纳米团簇在 Fe 基非晶基体中的析出可显著增强 ANE（如 D2-673 样品）。
- 重要发现： 即使在不含 Cu 且无 Fe 纳米晶的样品（如 B1-623）中也观察到了显著的 ANE 增强。这表明**非晶基体中的短程原子有序（Short-range atomic order）**或异质畴结构本身即可产生横向电子偏转，挑战了仅依赖长程有序或特定纳米团簇的传统认知。

4. 主要结果 (Results)

筛选效率： 通过三轮迭代（步长从 50K 降至 12.5K），从 151 个样品中锁定了约前 5% 的优异样品。
性能数据：
- 最佳样品 D2-673（成分：Fe $_{79}$ Si $_4$ B $_{14}$ Cu $_1$ P $_2$ ，退火温度 673 K）： $S_{ANE} = 4.8$ µV/K。
- 其他高性能样品（如 A2, B1, C1 系列）的 $S_{ANE}$ 均在 3.6–4.8 µV/K 之间。
- 所有高性能样品均保持了机械柔性（可弯曲至半径 10 mm），适用于曲面热源。
结构 - 性能关系：
- 热导率 ( $\kappa$ )： 高性能样品处于非晶态或混合态（ $\kappa \approx 8-9$ W/mK），完全结晶后 $\kappa$ 显著升高但柔性丧失。
- 原子尺度分析 (APT/STEM)：
  - D2-673 样品中检测到高密度的 Cu 纳米团簇（~5 nm），密度高达 $1.2 \times 10^{24}$ m $^{-3}$ 。
  - B1-623 样品（无 Cu）未观察到明显的相分离，但 STEM 显示存在短程有序特征。
- 增强机制解释： 增强源于非晶基体与析出相（或短程有序区）之间的异质界面，导致电子路径发生偏转。这种机制不依赖于传统的贝里曲率（内禀机制）或纯净样品的散射（外禀机制），而是源于无序系统中的复合结构效应。

5. 科学意义与展望 (Significance)

材料设计范式转变： 证明了无需高纯度单晶，通过调控非晶/部分结晶态的微观结构（如短程有序、异质畴），即可实现高性能热电转换。这为设计低成本、可弯曲的能源收集器件开辟了新路径。
方法论创新： 该高通量筛选平台不仅加速了材料发现，产生的海量数据也为**数据驱动的材料发现（如机器学习）**奠定了基础，特别适用于成分和结构复杂的非晶系统。
应用前景： 发现的柔性高 $S_{ANE}$ 材料可直接应用于曲面、不规则热源的能量收集（如可穿戴设备、工业管道废热回收），推动横向热电技术的实用化。
理论启示： 结果提示需要发展新的理论模型来解释无序系统中由短程有序和异质界面引起的横向电子输运，现有的基于贝里曲率的理论可能不足以完全描述此类现象。

总结： 该研究通过自动化与成像技术的结合，成功突破了柔性热电材料开发的效率瓶颈，不仅发现了性能创纪录的材料，更深刻揭示了非晶体系中反常能斯特效应的物理起源，为下一代柔性能源器件的设计提供了关键指导。