🔬 materials science

A DFT and Machine Learning-Assisted Study on the Lattice Thermal Conductivity of LiCdSb for Thermoelectric Applications

本研究采用密度泛函理论和机器学习原子间势函数来研究 LiCdSb 的热电性质，揭示了其较低的晶格热导率以及在 600 K 以上温度下超过 1 的热电优值 (ZT)，这使其成为一种极具前景的高温能量转换候选材料。

原作者： R. Zosiamliana, Lalhriat Zuala, N. T. Tien, Vo Khuong Dien, A. Laref, D. P. Rai

发布于 2026-07-28

📖 1 分钟阅读☕ 轻松阅读

原作者： R. Zosiamliana, Lalhriat Zuala, N. T. Tien, Vo Khuong Dien, A. Laref, D. P. Rai

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

想象一下，这个世界就像一台巨大的、嗡嗡作响的引擎。每当我们驾驶汽车、为手机充电，甚至只是烧开水时，我们都在消耗燃料并产生大量的废热。这些热量通常就这样飘散到空气中，成为一种我们无法回收的、无声且无形的能量损失。几十年来，科学家们一直在进行一场寻宝行动，寻找一种特殊的材料，它就像一种神奇的热能转电能转换器。这些被称为“热电材料”的物质，可以将那些浪费掉的温暖直接转化为电能，而且不需要任何运动部件、烟雾或噪音。把它们想象成物质世界中的“热量捕捉者”吧。

为了让这些热量捕捉者高效工作，它们需要同时精通两件事：让电流轻松流过（像电子的超级高速公路），同时阻挡热量的流动（像保温杯保持咖啡热度那样）。挑战在于，大多数材料要么擅长其中之一，要么两者都不擅长。如果热量流动得太快，温差就会消失，电力也会随之停止。因此，该领域的“圣杯”是寻找一种既是“热绝缘体”又是“电导体”的材料。科学家们使用强大的计算机模拟技术，在实验室实际制造出这些材料之前，先预测哪些材料可能拥有这些超能力，从而节省时间和成本。

在这项研究中，一个研究小组决定调查一种名为锑化镉锂（LiCdSb）的特定材料。他们想看看这种材料是否能成为捕捉废热的冠军，特别是在高温环境下。为此，他们并没有只使用一种工具，而是结合了两种不同的方法。首先，他们使用了一种非常精确、重型的计算机方法——密度泛函理论（DFT），来绘制材料内部电子运动的图谱。这就像是使用高分辨率显微镜来观察电子行进的微小道路。然而，计算热量如何在晶格（原子网格）中移动是非常困难且缓慢的，就像试图同时预测体育场内每一个人的路径一样。

为了解决这个棘热问题，研究人员尝试了一个聪明的捷径：他们使用了机器学习（ML）。想象一下，训练一个聪明的机器人，通过观察一些例子来学习游戏规则，从而能够瞬间预测剩余的部分，而无需计算每一步。团队利用该材料的原子行为对人工智能进行了训练，然后让它预测该材料阻挡热量的能力。他们将这种“AI猜测”与传统的、更复杂的计算方法进行了对比，以观察哪种方法更好。

结果非常令人鼓欣喜。团队发现，LiCdSb确实是一种半导体，这意味着它可以导电，并且它导热的能力非常低。具体而言，在室温下，该材料的晶格热导率经计算仅为 0.24 Wm⁻¹K⁻¹。这是一个非常低的数值，对于热电材料来说正是所追求的，因为这意味着热量被困在了原地，准备好被转化为电能。当他们将这种低热导率与电子计算相结合时，他们估算出了一个衡量材料优劣的分数——“热电优值”（ZT）。在室温下，该分数约为 0.17 到 0.18，这虽然尚可，但真正的魔力发生在更高温度下。

当温度上升到 600 开尔文以上时，LiCdSb 的 ZT 分数攀升到了 1 以上。在热电领域，超过 1 的分数是一个重要的里程碑，意味着该材料可能足够高效，可以投入实际应用。研究人员指出，他们的机器学习预测与现有的实验数据吻合得非常好，甚至比传统的计算方法还要出色。这表明 LiCdSb 是高温能量转换的一个强力候选材料，有望帮助我们更高效地从工厂或汽车引擎中回收废热。虽然论文通过模拟和与现有数据的对比证实了这些结果，但它强调了机器学习方法是一种快速且可靠的方式，用于在未来寻找这些“隐藏的瑰宝”，为解决全球能源难题提供了一条新路径。

技术摘要：基于 DFT 与机器学习辅助的 LiCdSb 格点热导率研究，旨在用于热电应用

问题陈述
热电（TE）材料为将废热转化为电能提供了可持续的解决方案，有助于应对全球能源需求并减少对化石燃料的依赖。然而，这些材料的效率（由无量纲优值 $ZT = S^2\sigma T / (\kappa_e + \kappa_l)$ 量化）往往受限于高格点热导率 ( $\kappa_l$ )。准确预测 $\kappa_l$ 是一个显著的计算瓶颈；传统的基于密度泛函理论（DFT）和玻尔兹曼输运方程的第一性原理方法需要通过大规模超胞计算来获取高阶非谐性原子间力常数（IFCs），这在计算上是难以承受的，不适用于高通量筛选。此外，标准的 DFT 泛函（如 GGA）通常会低估带隙，导致电子输运预测不准确。本研究旨在解决获取精确电子结构与高效、可靠的 $\kappa_l$ 预测的双重挑战，研究对象为半赫斯勒（Half-Heusler, HH）化合物 LiCdSb (LCS)。

研究方法
作者采用了一种结合标准 DFT、杂化泛函和机器学习原子间势（MLIPs）的多维度计算方法：

电子结构计算：
- DFT 框架： 使用带有投影增强平面波（PAW）势的维也纳 ab initio 模拟软件包（VASP）进行计算。
- 泛函： 为了解决广义梯度近似（GGA-PBE）固有的带隙低估问题，研究采用了杂化泛函 HSE06。同时引入了自旋轨道耦合（SOC）以评估其对能带分裂的影响。
- 输运性质： 通过 Boltztrap2 代码，利用半经典玻尔兹曼输运理论计算电子输运系数（塞贝克系数 $S$ 、电导率 $\sigma$ 、电子热导率 $\kappa_e$ ）。载流子弛豫时间 ( $\tau$ ) 通过形变势（DP）理论进行估算。
格点热导率 ( $\kappa_l$ ) 预测：
- 传统方法： 使用标准的 Slack 模型以及结合了通过准静态近似（QSA）获得的弹性性质的温度依赖扩展模型（Slack+TDEC）来估算 $\kappa_l$ 。
- 机器学习方法： 为了绕过直接进行非谐性声子计算的高昂计算成本，作者利用来自 300 K 下从头算分子动力学（AIMD）模拟的数据，训练了一个在线机器学习势（FMLP）。
- MLIP 工作流： 训练好的 FMLP 被用于通过 Phonopy 和 Phono3py 代码计算二阶和三阶 IFCs。随后，通过求解声子玻尔兹曼输运方程（使用 $30 \times 30 \times 30$ 的 q 点网格）来计算 $\kappa_l$ 。
结构与力学分析：
- 通过 Birch-Murnaghan 状态方程拟合和声子谱分析（检查是否存在虚频）来评估结构稳定性。
- 利用 QSA 和准谐近似（QHA）计算了随温度变化的弹性性质（TDEC），以确定作为 Slack 方程输入的最佳模型。

关键结果

结构与电子性质：
- LiCdSb 结晶为立方 C1b 结构（空间群 $F\bar{4}3m$ ）。 $\beta$ 相被确定为基态，这与之前的理论研究一致。
- 该化合物是一种非磁性半导体，总价电子数为 18，符合半导体行为的 Slater-Pauling 规则（ $M_t = Z_t - 18 = 0$ ）。
- 带隙： 与 GGA 和 GGA+SOC 相比，HSE06 泛函给出了显著更大且更准确的带隙。能带结构表明在 $\Gamma$ 点存在直接带隙。
- 载流子有效质量： 导带表现出高色散，导致低电子有效质量（ $|m^*_e| \approx 0.11 m_0$ ），暗示具有高电子迁移率。价带表现出各向异性的色散，并存在共存的轻空穴和重空穴。
力学与热力学稳定性：
- 该化合物满足 Born-Huang 稳定性判据。
- 通过 QSA 计算的弹性常数 ( $C_{ij}$ ) 显示出随温度变化的平滑、单调软化过程，在高达 900 K 的温度下仍保持机械稳定性。相比之下，QHA 结果预测了反常行为（在 ~600 K 时 $C_{44}$ 为负），因此作者依赖于 QSA 衍生的 TDEC 进行后续分析。
- 该材料具有适中的德拜温度 ( $\Theta_D \approx 228$ K) 和熔点 ( $T_m$ ) $\sim 881$ K，表明其适用于中温热电应用。
格点热导率 ( $\kappa_l$ )：
- 所有方法均预测了极低的 $\kappa_l$ 值。MLIP 方法在室温下的 $\kappa_l$ 为 0.24 W m $^{-1}$ K $^{-1}$ 。
- ML 预测的 $\kappa_l$ 与 Slack+TDEC 模型在定性上保持一致，并且比标准 Slack 模型更接近实验趋势。
热电优值 ($ZT$)：
- 研究评估了 n 型和 p 型掺杂的 $ZT$ 值。
- 与实验对比： 使用 ML 基 $\kappa_l$ 结合 HSE06 电子性质计算出的 $ZT $值与现有实验数据（$ ZT_{exp}$）表现出最佳的一致性。具体而言，在 300 K 和 500 K 时，ML+HSE06 模型分别预测 $ZT \approx 0.17$ 和 $0.37 $，紧密匹配实验值$ 0.10 $和$ 0.32$。
- 高温性能： 研究报告称，在 600 K 以上温度下，$ZT$ 值超过了 1.0 的基准，表明其在高温能量转换方面具有潜力。

意义与主张
本文声称，将机器学习原子间势（MLIPs）与杂化 DFT 泛函（HSE06）相结合，提供了一个计算高效且高度准确的框架，用于预测热电性能。

方法论验证： 研究证明，MLIPs 能够以极低的计算成本复现 DFT 级别的晶格动力学性质（力和能量）精度，有效地解决了计算 $\kappa_l$ 所需的非谐性 IFCs 的“艰巨任务”。
材料潜力： 由于 LiCdSb 具有本质的低格点热导率和优越的电子输运性质（特别是使用准确能带结构建模时），它被认定为一种极具前景的热电材料。
预测准确性： 作者断言，结合方法（HSE06 + MLIP）得到的 $ZT$ 预测与实验报告吻合良好，优于由于简化声子散射处理而倾向于高估性能的标准 Slack 模型。

该工作得出结论，准确的热电设计需要同时优化电子结构描述和晶格热输运建模，而机器学习辅助方法为复杂材料的筛选提供了一条可行的路径。

类似论文