马克斯·普朗克学会弗里茨·哈伯研究所 NOMAD 实验室的科学家最近提出了一种工作流程，可以极大地加速寻找具有改进性能的新型材料。他们通过识别 50 多种强隔热材料证明了该方法的威力。这些可以通过允许更高效的热电元件(即能够将原本浪费的热量转化为有用的电压的设备)来帮助缓解持续的能源危机。

发现新的、可靠的热电材料对于利用全球 40% 以上的废热能源至关重要，并有助于缓解日益严峻的气候变化挑战。提高材料热电效率的一种方法是降低其热导率κ，从而维持发电所需的温度梯度。然而，研究这些特性的相关成本将κ的计算和实验研究仅限于所有可能材料的一小部分。NOMAD 实验室的一个团队最近努力通过创建人工智能引导的工作流程来降低这些成本，该工作流程可以分层筛选材料，以有效地找到新的、更好的隔热材料。

最近发表在《npj Computational Materials》上的这项工作提出了一种利用人工智能(AI)指导新材料高通量搜索的新方法。新程序不是使用物理/化学直觉根据一般、已知或可疑的趋势筛选材料，而是通过先进的人工智能方法学习导致预期结果的条件。这项工作有可能量化新能源材料的搜索并提高这些搜索的效率。

设计这些工作流程的第一步是使用先进的统计和人工智能方法来近似感兴趣的目标属性，在本例中为κ 。为此，使用了确定独立筛选和稀疏算子(SISSO)方法。SISSO 是一种机器学习方法，可从数十亿种可能的表达式中揭示不同材料属性之间的基本依赖关系。与其他“黑盒”人工智能模型相比，这种方法同样准确，但还可以产生不同材料属性之间的分析关系。这使我们能够应用现代特征重要性指标来阐明哪些材料属性是最重要的。对于κ，这些是摩尔体积V m; 高温极限德拜温度，θ D,∞ ; 以及非谐度度量因子 σ A，如图 1 所示。

此外，所描述的统计分析允许提取各个特征的经验法则，从而能够先验地估计材料作为热绝缘体的潜力。因此，利用三个最重要的主要特征，可以创建人工智能引导的计算工作流程，以发现新的隔热体，如图 2 所示。这些工作流程使用最先进的电子结构程序来计算每个选定的特征。在每个步骤中，根据V m、θ D,∞和 σ A的值筛选出不太可能是良好绝缘体的材料。这样，可以将寻找隔热材料所需的计算量减少两个数量级以上。在这项工作中，通过在 732 种初始材料中识别 96 种绝热体 ( κ < 10 Wm -1 K -1 ) 来证明这一点。通过以尽可能高的准确度计算其中 4 个预测的κ，进一步验证了该方法的可靠性。

除了促进新型热电材料的积极探索外，NOMAD团队提出的形式主义还可以应用于解决其他紧迫的材料科学问题。