論文の概要: Lattice-to-total thermal conductivity ratio: a phonon-glass electron-crystal descriptor for data-driven thermoelectric design
- arxiv url: http://arxiv.org/abs/2511.21213v1
- Date: Wed, 26 Nov 2025 09:44:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-27 18:37:59.040062
- Title: Lattice-to-total thermal conductivity ratio: a phonon-glass electron-crystal descriptor for data-driven thermoelectric design
- Title（参考訳）: 格子-to-to-tal熱伝導率比:データ駆動熱電設計のためのフォノン-ガラス電子-結晶ディスクリプタ
- Authors: Yifan Sun, Zhi Li, Tetsuya Imamura, Yuji Ohishi, Chris Wolverton, Ken Kurosaki,
- Abstract要約: 我々は,ZT$の高価格材料が,低価格レギュレーションだけでなく,格子対全熱伝導率(_mathrmL/$)付近に約0.5のクラスターが存在することを示した。
本研究では,熱伝導率の格子と電子成分の2つの機械学習モデルから構成されるフレームワークを構築し,TE材料のスクリーニングと最適化の指針として$$$と$_mathrmL/$を共同で提供する。
- 参考スコア（独自算出の注目度）: 5.19704059419398
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Thermoelectrics (TEs) are promising candidates for energy harvesting with performance quantified by figure of merit, $ZT$. To accelerate the discovery of high-$ZT$ materials, efforts have focused on identifying compounds with low thermal conductivity $κ$. Using a curated dataset of 71,913 entries, we show that high-$ZT$ materials reside not only in the low-$κ$ regime but also cluster near a lattice-to-total thermal conductivity ratio ($κ_\mathrm{L}/κ$) of approximately 0.5, consistent with the phonon-glass electron-crystal design concept. Building on this insight, we construct a framework consisting of two machine learning models for the lattice and electronic components of thermal conductivity that jointly provide both $κ$ and $κ_\mathrm{L}/κ$ for screening and guiding the optimization of TE materials. Among 104,567 compounds screened, our models identify 2,522 ultralow-$κ$ candidates. Follow-up case studies demonstrate that this framework can reliably provide optimization strategies by suggesting new dopants and alloys that shift pristine materials toward the $κ_\mathrm{L}/κ$ approaching 0.5 regime. Ultimately, by integrating rapid screening with PGEC-guided optimization, our data-driven framework effectively bridges the critical gap between materials discovery and performance enhancement.
- Abstract（参考訳）: 熱電発電(TEs)はエネルギー収穫の有望な候補であり、実測値(ZT$)で定量化されている。
高いZT$の物質の発見を加速するために、熱伝導率の低い化合物をκ$で識別することに注力してきた。
71,913項目のキュレートされたデータセットを用いて、高価格のZT$材料が、低いκ$レジームだけでなく、フォノンガラスの電子結晶設計概念と一致する約0.5の格子対トータル熱伝導率(κ_\mathrm{L}/κ$)の近くに存在することを示した。
この知見に基づいて、TE材料をスクリーニングし、最適化するための、κ$とκ_\mathrm{L}/κ$の両方を共同で提供する、熱伝導率の格子と電子成分の2つの機械学習モデルからなるフレームワークを構築した。
104,567の化合物をスクリーニングし,2,522Ultralow-$κ$候補を同定した。
フォローアップケーススタディでは、0.5レジームに近づくκ_\mathrm{L}/κ$に原材料をシフトさせる新しいドーパントや合金を提案することにより、このフレームワークが確実に最適化戦略を提供できることを示した。
最終的に、PGEC誘導最適化と迅速なスクリーニングを統合することで、我々のデータ駆動フレームワークは、材料発見と性能向上の間の重要なギャップを効果的に橋渡しする。
関連論文リスト
- Reinforcement learning-guided optimization of critical current in high-temperature superconductors [5.963780660451256]
高温超伝導体は次世代エネルギーと量子技術に不可欠である。
しかし、その性能は、しばしば臨界電流密度(J_c$)によって制限される。
本稿では、強化学習(RL)と時間依存型ギンズバーグ・ランダウ(TDGL)シミュレーションを組み合わせた統合ワークフローを提案する。
論文 参考訳（メタデータ） (2025-10-25T20:01:33Z) - Automated Extraction of Material Properties using LLM-based AI Agents [0.8422257363944295]
既存のデータベースは小さく、手動でキュレートするか、第一原則の結果に偏っている。
本稿では,約10,000の学術論文から熱電・構造特性を自律的に抽出するエージェント型大規模言語モデル(LLM)によるワークフローを提案する。
論文 参考訳（メタデータ） (2025-09-23T18:27:45Z) - Efficient dataset construction using active learning and uncertainty-aware neural networks for plasma turbulent transport surrogate models [0.0]
本研究は,不確実性を考慮したアーキテクチャを用いてモデル生成のための効率的なデータセットを構築するための実証実験である。
この戦略はトカマク核融合プラズマ中のプラズマ乱流輸送問題、特にQuaLiKiz準静電ジャイロキネティック乱流輸送符号に再び適用された。
45回のアクティブな学習イテレーションで、102ドルの小さな初期トレーニングセットから104ドルの最終セットに移行し、結果のモデルは0.8のF_1ドルの分類パフォーマンス、独立したテストセットで0.75ドルの回帰パフォーマンスに達した。
論文 参考訳（メタデータ） (2025-07-21T18:15:12Z) - Accelerating Multi-Objective Collaborative Optimization of Doped Thermoelectric Materials via Artificial Intelligence [9.134276743542523]
材料の熱電特性は、元素の種類と比に複雑な非線形依存性を示す。
本研究では, ドープ材料の熱電特性を化学式から直接正確に予測できる深層学習モデルを提案する。
論文 参考訳（メタデータ） (2025-04-11T05:10:18Z) - Fourier Neural Operator based surrogates for $CO_2$ storage in realistic geologies [57.23978190717341]
我々は,$CO$ plume マイグレーションのリアルタイム・高分解能シミュレーションのためのニューラル演算子(FNO)モデルを開発した。
このモデルは、現実的な地下パラメータから生成された包括的なデータセットに基づいて訓練される。
本稿では,実際の地質学的位置を評価する上で重要なモデルから予測の信頼性を向上させるための様々な戦略を提案する。
論文 参考訳（メタデータ） (2025-03-14T02:58:24Z) - Siamese Foundation Models for Crystal Structure Prediction [70.63218101004398]
結晶構造予測(CSP)は、組成から安定な結晶構造を生成することを目的としている。
CSPは比較的未発見の領域である。
CSPに特化して設計されたシームズ基礎モデルを提案する。
論文 参考訳（メタデータ） (2025-03-13T15:44:16Z) - Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
本稿では, イオン伝導体の迅速かつ信頼性の高いスクリーニング手法として, 普遍的な原子間ポテンシャルの解析手法を提案する。
第一原理計算では,10種中8種が室温で超イオン性であることが確認された。
本手法は, 機械学習電位によって駆動される分子動力学と比較して約50倍の高速化係数を達成し, 第一原理分子動力学に比べて少なくとも3,000倍高速である。
論文 参考訳（メタデータ） (2024-11-11T09:01:36Z) - Inertial Confinement Fusion Forecasting via Large Language Models [48.76222320245404]
本研究では,従来の貯水池計算パラダイムとLarge Language Models(LLM)の新たな統合である$textbfLPI-LLM$を紹介する。
我々は、$textitLLM-anchored Reservoir$, augmented with a $textitFusion-specific Prompt$を提案する。
また、最初の$textttLPI$ベンチマークである$textbfLPI4AI$も提示します。
論文 参考訳（メタデータ） (2024-07-15T05:46:44Z) - Accelerating superconductor discovery through tempered deep learning of
the electron-phonon spectral function [0.0]
深層学習モデルを用いて電子フォノンスペクトル関数, $alpha2F(omega)$を予測する。
次に、サイトが提案するフォノン密度状態のドメイン知識を組み込んで、モデルのノード属性に帰納バイアスを課し、予測を強化する。
この方法の革新は、MAEを0.18、29K、28Kに減少させ、それぞれ2.1KのMAEを$T_c$とする。
論文 参考訳（メタデータ） (2024-01-29T22:44:28Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。