通过一种新的人工智能引导的工作流程高效发现改进的能源材料

MaxPlanckSociety的弗里茨哈伯研究所的NOMAD研究员最近提出了一个工作流程，该流程可以模拟加速性能改进的新型材料的研究该研究通过识别50多种强隔热材料来证明该方法的有效性通过允许更高效的热电元件，即e可以通过其他方式转换的装置浪费掉所有的剩余电压

发现新的可重复使用的热电材料是最重要的，可利用全球近40%的能源，并有助于缓解气候变化带来的日益严峻的挑战一种提高物质热电效率或降低其热导率的方法，&kappa，然后通过保持发电所需的温度梯度然而，对这些性质进行评估的结果限制了&kappa在所有可能的问题材料之前的一分钟内OMAD的团队集中精力通过创建AI指导工作流程来降低成本，该工作流程分层筛选材料，以有效地找到新的更好的隔热材料

最近发表在npjComputationalMaterials中的工作提出了一种利用人工智能（AI）引导高吞吐量搜索新材料的新方法新程序不是根据一般的、已知的或可疑的趋势对材料进行单独的物理/化学筛选，而是通过先进的AI方法重新学习达到预期效果的条件这项工作有可能推翻对新能源材料的研究，并提高这些研究的效率

设计工作流的第一步是使用先进的统计和AI方法来近似测试的目标属性，&kappa在这个例子中为此，采用了完全独立的筛选和筛选算子（SISSO）方法SISSO是一种机器学习方法，它揭示了不同材料特性之间的基本依赖性，这些特性来自可能的数十亿个表达式与其他“黑匣子”AI模型相比，这种方法更精确，但在不同的材料特性之间存在额外的分析关系这使我们能够应用现代特征重要性度量，即材料特性至关重要的指标在&kappa；的情况下这些是血容量，V_m；高温极限DebyeTemperature，&theta_D，&infin；以及高温度量因子&西格玛^A

此外，所描述的统计分析很难提取出适用于先验的单个特征的拇指规则，从而估计材料成为绝缘体的可能性使用三个最重要的主要功能可以创建人工智能指导的计算工作流，用于发现新的隔热板Arte-electronicstructure程序的工作流属性用于计算所选的每个特征在每一步材料都会根据其V_m、&theta的值重新筛选出不太可能产生绝缘层的材料_D，&infin和&sigma^A这样，就可以将找到隔热材料所需的计算次数减少两个数量级以上在这项工作中，这是通过识别732种材料的96个绝热器（&kappa；<；10Wm^-1K^-1-）的无生命状态来证明的通过计算&kappa对于这些预测中的4个，其准确率最高

除了为新热电材料的研究提供便利外，NOMAD团队提出的规范也可以应用于解决其他紧迫的材料科学问题