机器学习态密度高通量筛选Heusler热电材料

Shivam Randive、Ayana Ghosh、Rahul Dixit、Himanshu Pandey 等发布一项Heusler合金热电材料高通量筛选研究：对DXMag数据库中106,235个Heusler结构，结合机器学习态密度与第一性原理输运计算进行筛选，其中51,257个使用DFT能谱、54,978个使用神经网络预测的谱，并以3,625次能带结构和输运计算评估筛选效果。 筛选最终确认80个计算候选材料，其中61个尚无已报道的实验测量。研究发现神经网络预测的谱会丢失大部分带隙，而谱相似度指标察觉不到这一偏差；尽管如此，预测谱仍能把通过筛选的化合物排在靠前位置。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。