机器学习和深度学习在热电材料热电优值预测中的应用.pdf

摘要

摘要

在当今这个能源稀缺和能源浪费的环境下，环境友好型的新能源材料可以实

现能源的循环利用，在可持续发展的国策中扮演着愈发重要的角色。热电材料因

其能够实现热电能量的相互转换、提高能源的利用效率而受到各个国家的研究人

员的关注。热电材料可以通过温差进行发电，减少逸散至周围环境中的废热；在

两个不同导体组成的回路中通电，在导体接头处会产生温度梯度，主要应用于发

电、制冷。

然而，在过去的时间里，研究热电材料的方法往往是传统的实验方法。实验

法的试错优化在时间成本和经济成本的花费上都很高，后来的第一性原理计算方

法虽然能减少研发周期但是对电热运输的计算能力有限，对资源的需求也很高。

因此为了加速对热电材料的研究，采用机器学习、材料基因工程和数据挖掘等技

术，建立机器学习算法模型对现有的热电材料数据进行学习，通过隐藏在数据背

后的规律来探寻对热电优值(Thefigureofmerit,zT)有较大影响的属性因素，并

探寻潜在的热电材料，总结它们在物理、化学和能带结构方面的共同点。

zT

热电优值（）是衡量热电材料性能的关键参数。目前，通过机器学习预测

zT值已成为探索高性能材料的一种很有前途的方法。然而，基于机器学习的预

测仍然存在精度不理想的问题，这与数据集的大小、模型的超参数和数据的质量

有关。在这项工作中，我们选择了5038个热电材料的数据，并生成了几个回归

模型来预测zT值。这个有57个特征的大数据集驱动的光梯度提升（LGB）模型

表现出了很好的准确性，决定系数值为0.959，均方根误差为0.094，平均绝对

误差为0.057，相关系数为0.979。同时在特征工程中引入的人工描述符“M晶

E

格常数”是zT预测中最重要的特征。此外，本文从MaterialProject数据库中提取

1009

了万条数据，并从中筛选出条潜在候选材料，并对这部分潜在材料的热性

能、电性能和能带结构进行分析总结了一些规律。这项研究解决了数据集大小的

问题，调整了模型的超参数，使用特征工程来提高数据质量，并提供了一种有效

zT

的策略，用于对具有高值前途的材料进行大范围筛选，这对于加速潜在的高

zT值材料的发掘和应用具有重要意义。

为了进一步发现未知的热电材料，根据现有的热电材料数据集只使用材料化

学式的信息，通过深度学习中的生成模型，生成对抗网络(GenerativeAdversarial

Network,GAN)和变分自编码器(VariationalAutoEncoders,VAE)生成一些目

前不存在的化学式，再利用已经建立的机器学习模型对预测这些化学式的zT,验

证生成材料的性能。同时基于机器学习模型选择的特征，利用遗传算法的方法发

现基于重要特征规律的数学公式，利用这个简单的公式来快速预测zT。

关键词：热电材料；机器学习；特征工程；热电优值

-I-

Abstract

Abstract

Intodaysenvironmentofenergyscarcityandenergywaste,environmentally

friendlynewenergymaterialsplayanincreasinglyimportantroleinthenational

policyofsustainabledevelopmentbyenablingtherecyclingofenergy.

Thermoelectricmaterialsareattractingtheattentionofresearchersinvarious

countriesbecauseoftheirabilitytoconvert