🔬 材料科学

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

本研究验证了一种用于 Heusler 热电材料的高通量筛选工作流，该工作流将机器学习态密度与第一性原理输运计算相结合，以高效识别出 80 种具有前景的计算候选材料（其中包括 61 种未见报道的材料），同时证明了尽管神经网络预测往往会遗漏带隙，但它们在优先筛选用于详细分析的化合物方面仍然有效。

原作者： Shivam Randive, Rahul Dixit, Himanshu Pandey

发布于 2026-10-15

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Shivam Randive, Rahul Dixit, Himanshu Pandey

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

世界正在产生惊人数量的废热，从汽车的排气到发电厂的冷却系统。这些能量只是简单地消散在空气中，永远丢失了。热电材料提供了一种捕捉这些流失热量并将其直接转化为电能的方法，它就像一个不需要运动部件的静默发电机。这些材料的效率取决于一种微妙的平衡：它们必须既能良好地导电，又能阻挡热量的流动。寻找能够实现这种平衡的新材料就像在大海捞针，因为用于预测其性能的标准计算机模拟速度极慢且成本高昂。科学家们往往必须在数百万种可能的化学组合中进行选择，但由于缺乏可靠的预测结果的方法，他们面临着错过最佳候选者或在死胡同中浪费时间的风险。

一个研究小组决定通过在一组被称为赫斯勒合金（Heusler alloys）的已知化学结构的大规模集合上测试一种新策略来解决这个问题。这类化合物是由三种不同元素组成的特定家族，以其在能源领域的潜力而闻名。研究人员希望看看他们是否可以使用一种捷径：一种能够预测材料电子“指纹”（即态密度）的机器学习模型，以此来决定哪些材料值得进行完整的、昂贵的计算机模拟。他们在超过十万种不同的赫斯勒结构上测试了这种方法。目标是观察机器学习的预测是否足以引导搜索，以及他们使用的快捷指标是否真的能找到可以用作热电材料的材料。

研究人员首先将他们的庞大数据库分为两组。第一组包含电子指纹已通过以往高质量计算得知的结构。第二组则包含缺少这种指纹的结构。对于第二组，他们训练了一个复杂的计算机程序，根据原子的排列方式来预测缺失的指纹。随后，他们对这两组数据应用了一个筛选过程。该过程寻找电子指纹中通常预示着某种材料可能成为良好热电材料的特定迹象。其中一个迹象是一个简单的检查，即查看是否存在电子能级间隙，这对于材料作为半导体运行是必要的。第二个更复杂的迹象测量了电子对热的反应方式，即塞贝克效应（Seebeck effect），这是产生电力的驱动力。

结果揭示了关于这些捷径的一个令人惊讶的事实。许多研究人员依赖的简单能隙检查未能履行其职责。即使是在观察高质量的已知数据时，这个简单的检查也会错误地将许多金属标记为半导体。它太容易被数据中的微小凹陷所迷惑，这些凹陷看起来像能隙，但实际上并不是。机器学习模型在处理这项特定任务时也遇到了困难；虽然它可以高精度地重现电子指纹的总体形状，但它经常会抹平那些微小的间隙，导致间隙消失。这意味着，简单的“有无能隙”问题无法通过机器学习模型得到可靠回答，即便是在使用机器学习模型的情况下也是如此。

然而，那个测量热致电压潜力的更复杂的指标却表现得非常出色。这个指标观察的是电子指纹的整体形状，而非仅仅关注单一的点。它成功识别出了具有前景的材料，并将最好的候选者放在了列表的最顶端。当研究人员对排名靠前的材料进行完整的、昂贵的模拟时，他们发现该指标确实集中了“优胜者”。在由机器学习模型预测指纹的材料组中，几乎所有通过最终测试的材料都出现在了前 20% 的名单中。这表明，尽管机器学习模型在判断能隙的存在方面存在误差，但其整体预测足以有效地引导搜索过程。

这项研究最终确定了 80 种具有热电应用潜力的不同化学成分。然而，至关重要的一点是，这 80 种成分中有 61 种在赫斯勒相中没有报道过的热电测量数据；对于这些成分，其潜力完全基于计算预测。研究人员发现，在该家族中，十一种最著名的热电材料中有十种被其方法正确识别，证明了该方法对已知化学结构的有效性。他们还发现，对于含有非常重元素的材料，一种被称为自旋-轨道耦合的微妙物理效应会显著改变结果，通常会降低其性能。在最终计算中必须考虑到这种效应，以避免出现假阳性结果。此外，研究表明，稍微改变晶体结构的形状（例如从立方体拉伸为长方体）很少能将金属转变为半导体，这意味着基本的化学成分是最关键的因素。

研究人员得出结论，虽然机器学习目前还不能完美预测微小能隙的存在，但它仍然是筛选庞大数据库的强大工具。关键在于使用正确的指标。简单的“是或否”能隙检查是不可靠的，但衡量材料产生热致电压能力的指标则是稳健的。通过使用这种更好的指标，科学家可以大幅减少寻找新材料所需的昂贵模拟次数。本研究确定的 80 种候选材料现在已准备好进入下一个研究阶段，届时科学家需要验证它们相对于竞争晶体结构的稳定性，并在实验室中测量其实际性能。这项工作为如何利用人工智能加速材料发现提供了一条清晰的路线图，这些材料有朝一日可能帮助我们更有效地回收废热。

技术摘要：用于热电材料的高通量筛选的 Heusler 合金

问题陈述
新热电材料的发现受限于第一性原理输运计算的计算成本，而这些计算是确定热电优值（ $zT$ ）所必需的。虽然机器学习（ML）已经能够实现对大规模数据库中电子态密度（DOS）的预测，但目前尚无法验证基于 DOS 的指标是否能可靠地为昂贵的输运计算筛选化合物，特别是当 DOS 本身是通过预测而非计算得出时。此外，现有的高通量筛选通常侧重于立方结构，使得四方及亚稳态的 Heusler 化合物在很大程度上未得到检验。本研究旨在解决以下问题：利用结合了密度泛函理论（DFT）和机器学习预测谱图的 DOS 筛选方法，能否有效地在庞大的 DXMag Heusler 数据库（包含 106,235 条目）中识别出热电候选材料。

方法论
本研究对包含 27,846 个成分-原型对、共 106,235 个能量极小值的 DXMag 数据库采用了两类人群筛选策略。

数据划分： 数据库被分为训练集（51,257 条目，具有现有的 DFT 自旋及轨道分辨 d-DOS）和预测集（54,978 条目，缺乏 DFT DOS）。
机器学习模型： 使用原子线图神经网络（ALIGNN）在训练集上进行训练，以预测自旋分辨的 d-DOS。该模型使用在费米能级（ $E_F$ ）附近高度加权的损失函数，以优先考虑与热电相关的特征。
筛选指标： 测试了两种基于 DOS 的描述符：
- 二元能隙标签（Binary Gap Label）： 一种基于阈值的检查，用于检测 d-DOS 在 $E_F$ 处是否存在能隙。
- 塞贝克指标（Seebeck Indicator, $S^d_{max}$ ）： 一种基于 Cutler–Mott 近似推导出的指标，通过计算将化学势（ $\mu$ ）在 $\pm 1$ eV 范围内移动时所能达到的最大热电势，并结合 900 K 下的热窗口进行加权。
选择协议： 通过稳定性（凸包距离）、电子计数（18 或 24 价电子）以及 DOS 指标对条目进行过滤。入选条目需经过使用 Quantum ESPRESSO (QE-PBE) 进行能带结构分析，以及使用 BoltzTraP2 在常弛豫时间近似（CRTA）下进行输运系数计算的严格第一性原理评估。
认证标准： 一个化合物被视为“通过认证”，需满足五个连续的标准：(i) $|S| > 60$ $\mu$ V K $^{-1}$ ；(ii) 功率因子/弛豫时间（ $PF/\tau$ ） $> 1.09 \times 10^{12}$ W m $^{-1}$ K $^{-2}$ s $^{-1}$ ；(iii) 热力学稳定性（凸包距离 $< 0.10$ eV atom $^{-1}$ ）；(iv) QE-PBE 能隙 $\ge 0.136$ eV；以及 (v) 对于重元素（ $Z \ge 72$ ），需通过自旋-轨道耦合（SOC）进行验证。

关键结果

ML 预测谱图的表现： ALIGNN 模型能够以高相关性（ $r \approx 0.895$ ）重现 d-DOS 的总体形状，但在准确预测能隙方面表现不佳。检测留存谱图中能隙的召回率仅为 15%，因为模型倾向于用残余权重平滑掉能隙。然而，光谱相似性度量（如相关性）并未捕捉到这一失效。
二元能隙标签的失效： 即使使用准确的 DFT 谱图，二元能隙标签也是一个较差的分类器。它由于忽略了 d 轨道能隙内的 s 和 p 态，并依赖固定阈值，导致将许多金属误判为半导体。大多数通过该标签的条目在能带结构计算中最终都被证明是金属。
塞贝克指标的成功： $S^d_{max}$ $S_{ma x}^{d}$ 指标成功地将认证条目集中在排名的顶端。
- 在训练集中，按 $S^d_{max}$ 排序的前 20% 条目包含了 75% 的所有认证条目。
- 在预测集中，前 20% 的条目包含了 91% 的认证条目。
- 至关重要的是， $S^d_{max}$ 即使在 ML 预测的谱图上依然有效，尽管模型无法完美解析能隙。该指标通过在热窗口内进行积分，使其对预测能隙中的残余权重具有容忍性。
自旋-轨道耦合（SOC）的作用： 对于重元素候选材料，由于价带简并态的分裂，SOC 显著抑制了 p 型功率因子（相对于标量相对论值的中值比为 0.76），而 n 型因子则基本不受影响。这一效应剔除了最初符合条件的 115 个重元素候选材料中的 40 个。
结构变体： 对四方及亚稳态结构变体的筛选表明，它们很少改变成分的电子类别。没有发现任何变体在其参考（最低能量）晶体为金属的情况下，自身却呈现能隙特性。
认证候选材料： 筛选识别出了 80 种不同的成分（155 个条目） 通过了所有标准。
- 验证： 十一个已建立的半 Heusler 热电材料（如 TiNiSn, ZrNiSn, NbFeSb）均成功通过认证，验证了该方案的有效性。
- 新颖性： 80 种成分中有 61 种在 Heusler 相中尚未有报道的热电测量数据。
- 相稳定性： 几种认证成分（例如 Z 位为 Si, Ge 或 As 的成分）被标记为存在风险，因为实验或预测的斜方相（TiNiSi 型）会与半 Heusler 结构竞争，这是当前凸包方法的局限性。

意义与主张
本文声称基于 DOS 的筛选可以有效地优先排序用于输运计算的化合物，但同时也强调了特定的局限性和见解：

指标与排序的关系： 基于 DOS 的塞贝克指标是用于优先排序候选化合物的有力工具，但它不能通过功率因子进行精确排名。功率因子取决于能带速度和谷简并度，而这些是 DOS 本身无法捕捉的。
能带结构的必要性： 无论是二元能隙标签还是 ML 预测的谱图，都无法最终确认能隙的存在。必须通过完整能带结构计算才能认证能隙。
机器学习的效用： 虽然 ML 预测的谱图无法准确重现能隙，但筛选流程保持了稳健性，因为塞博克指标对模型引入的特定误差（残余权重）具有容忍性。
候选范围： 这 80 种认证成分被呈现为进一步研究（超越 CRTA，包括散射和晶格热导率研究）及合成的计算候选材料，而非已证实的高性能热电材料。研究明确指出，该列表是一个优先化的样本而非普查结果，并且由于认证时使用的化学势窗口限制，对宽能隙化合物存在偏差。

总之，本研究表明，将 ML 预测的 DOS 与物理启发式的塞贝克指标相结合，可以实现对大规模数据库的高效筛选，在成功找回已知热电材料并识别新候选材料的同时，前提是最终的认证必须依赖于第一性原理能带结构和输运计算。

技术摘要：用于热电材料的高通量筛选的 Heusler 合金

类似论文