npj: 載流子弛豫時間—機器學習高通量預測

2021-03-02 知社學術圈

海歸學者發起的公益學術平臺

分享信息，整合資源

交流學術，偶爾風月

近年來，被稱為科學研究範式「第四次工業革命」的大數據與人工智慧的結合引起了研究者們強烈的關注。其中，作為核心技術之一的機器學習已被成功地應用於物理學、材料科學、生物醫藥、圖像識別等諸多領域。特別地，機器學習在新能源材料的探索上也在以驚人的速度發展。其中，對於高性能熱電材料的快速搜尋尤為引人關注。在與熱電性能密切相關的輸運係數中，載流子弛豫時間的預測一直以來都是一個十分重要但又較為複雜的基礎科學問題。雖然人們可以使用簡單的形變勢理論或是全面考慮電-聲耦合來預測弛豫時間，但這兩種方法都只能處理原胞較小的材料體系。

來自武漢大學物理科學與技術學院的劉惠軍教授團隊，採用一種名為SISSO（確定獨立篩選與稀疏操作符）的機器學習方法，提出了形式簡單並且物理意義明確的高通量描述符，快速有效地預測了超過1600萬個具有任意化學配比的輝碲鉍礦族化合物的載流子弛豫時間。這項研究工作對於高性能熱電材料的搜尋以及層狀拓撲材料熱電性能的優化，具有重要的指導意義。

該文近期發表於npj Computational Materials 6: 149 (2020)，英文標題與摘要如下，點擊左下角「閱讀原文」可以自由獲取論文PDF。

High-throughput prediction of the carrier relaxation time via data-driven descriptor

Zizhen Zhou, Guohua Cao, Jianghui Liu, Huijun Liu

It has been demonstrated that many promising thermoelectric materials such as tetradymite compounds are also three-dimensional topological insulators. In both cases, a fundamental question is the evaluation of carrier relaxation time, which is usually a rough task due to the complicated scattering mechanisms. Previous works using the simple deformation potential theory or considering complete electron-phonon coupling are however restricted to small systems. By adopting a data-driven method named SISSO (Sure Independence Screening and Sparsifying Operator) with the training data obtained via deformation potential theory, we propose an efficient and physically interpretable descriptor to evaluate the relaxation time, using tetradymites as prototypical examples. Without any input from first-principles calculations, the descriptor contains only several elemental properties of the constituent atoms, and could be utilized to quickly and reliably predict the carrier relaxation time of a substantial number of tetradymites with arbitrary stoichiometry.

本文系網易新聞·網易號「各有態度」特色內容

媒體轉載聯繫授權請看下方

相關焦點

  • 大連化物所納米晶熱載流子弛豫動力學研究取得新進展
    近日，中國科學院大連化學物理研究所光電材料動力學特區研究組研究員吳凱豐團隊採用飛秒瞬態光譜技術系統地研究了量子限域的鈣鈦礦納米晶的熱載流子弛豫動力學，發現該體系呈現出亞皮秒級別的熱載流子壽命與之前理論預測的「聲子瓶頸」機制不符，進一步研究發現熱載流子能量耗散通道由表面配體分子誘導的非絕熱弛豫機制所主導。
  • npj: 相穩定性預測—看看熵的臉色
    因此，合金的相穩定性既取決於混合焓又取決於混合熵，必須等量齊觀地了解它們各自對合金熱力學性質的貢獻，才能預測合金的穩定性。來自美國懷俄明大學的Dilpuneet Aidhy教授等，採用密度泛函理論計算，檢測了不同類型的熵在7種具有淺混合焓的二元金屬合金中的貢獻。他們發現依靠混合焓來預測固溶體穩定性是不準的。
  • 南科大項曉東課題組NSR:量子弛豫時間的直接測量方法
    導電電子的量子弛豫時間（τ）是凝聚態物理中的一個基本參數，決定著金屬導電率和半導體遷移率，超導體的贗能隙和臨界溫度，以及量子計算關鍵材料中的電子傳播距離。準確測量τ，並理解各種相互作用對τ的影響，可以幫助我們更好地理解凝聚態物理中的許多前沿問題，如強關聯相互作用、弱局域化效應，拓撲材料和自旋量子材料，以及設計和製備下一代電子學器件等。
  • 南方科技大學項曉東課題組在量子弛豫時間研究取得新進展
    導電電子的量子弛豫時間(τ)是決定金屬導電率和半導體遷移率，超導體的贗能隙和臨界溫度以及自旋量子計算關鍵材料的基本參數。準確表徵電子的量子弛豫時間及各種不同相互作用對其影響的機理，對於更好地理解凝聚態物理前沿問題，如強關聯相互作用、弱局域化效應，拓撲材料和自旋量子材料，以及設計和製備下一代電子學器件，都具有重要意義。然而，量子弛豫時間τ的直接測量一直無法實現。
  • npj: 分析機器學習模型-加速材料的基礎認識
    以BiVO4基光陽極為例，他們使用訓練的卷積神經網絡預測了該體系的光電化學性能。他們利用高通量實驗獲得的1379個光陽極樣品的組成和拉曼光譜來訓練神經網絡模型。該模型的梯度能有效地可視化材料參數空間中特定區域的數據規律，以及整個數據集的數據規律。梯度自動分析為材料研究提供了指導，包括如何超越現有數據集的限制，以進一步提高材料性能。
  • 合肥研究院固體所在高通量篩選二元硫族化合物熱電材料研究中取得...
    該工作基於熱電理論方法的發展，通過高通量計算手段篩選出了具有高效熱電性能的二元硫族材料。　　尋找性能良好的新型熱電材料是促進熱電器件大規模商業應用的重要手段。在高通量研究材料的熱電性能中，需要高效計算材料的電學性質和聲學性質。但由於理論計算材料載流子弛豫時間和晶格熱導率的複雜與困難，先前的很多高通量研究工作均沒有充分考慮材料的電聲相互作用和非簡諧效應強度對其熱電性能的影響。
  • npj: 本刊高被引作者的新成果—主動學習預測熱電功率因子
    主動學習是一種通過外部驗證更新機器學習模型的框架，旨在用儘可能少的驗證樣本最大程度地提高機器學習模型的外推能力。圖1：類金剛石結構熱電材料搜索空間及主動學習框架上海大學材料基因組工程研究院的楊炯教授、南方科技大學物理系的張文清教授等，基於前期高通量計算的158個類金剛石熱電材料的功率因子，用主動學習的框架結合機器學習和第一性原理計算，建立了高精度的外推模型。
  • npj：電場響應材料資料庫—多重高通量計算和機器學習
    一個由美國國家標準局領導的研究團隊針對JARVIS-DFT 計算材料資料庫開展了基於密度泛函微擾理論的高通量計算。經過初步篩選，他們從約4萬種材料中篩選了5千種材料，高通量計算了這些材料的紅外吸收譜、介電和壓電係數，由此構建了相關資料庫。通過計算，他們發現了已有實驗尚未報導過的部分高性能材料。
  • npj: 硫族金屬元素化物超級原子體—二維半導體的調控
    海歸學者發起的公益學術平臺分享信息，整合資源交流學術，偶爾風月載流子的性質和密度以及費米能量的位置決定了半導體的電子該文近期發表於npj Computational Materials4: 33 (2018)，英文標題與摘要如下，點擊左下角「閱讀原文」可以自由獲取論文PDF。
  • npj: 有機太陽能電池供體-受體材料
    -性能」關係，從而實現活性層供體/受體光伏材料的快速篩選，並預測基於機器學習開發的新供體/受體對的光伏性能。研究人員對五種典型的算法模型進行評估，對其預測結果進一步進行實驗驗證，從中評選出了適用於光伏材料供體/受體對的性能預測最優算法模型。他們發現，基於RF和BRT模型的預測結果與測試集中真實值的皮爾森相關係數（r）均超過了0.7，說明這兩種模型是進行這類機器學習的最佳表達方式。
  • 研究發現二維異質結熱電子弛豫的新路徑
    最近的超快雷射實驗發現，二維異質結中激發的電子-空穴對的分離過程能夠在50 fs的超快時間尺度發生，為極大提高光電器件的響應速度提供了可能。然而，對於決定器件工作性能的微觀機理，比如超快電子/空穴動力學、層間能量轉移以及層間熱激子的形成等，因缺乏深入的研究而大都處於空白狀態。
  • 習題解析之弛豫時間(2)
    靜磁場的強度越高，T1時間越短D.先發生T1馳豫，再發生T2馳豫 E.靜磁場的不均勻會影響T2弛豫 在各種成像方式中，磁共振成像的基本原理是比較難理解的。單純的片段學習是不行的，必須系統學習，從最基本的物理學原理入手，再學脈衝序列，最後學血管成像技術、特殊成像技術。
  • 基於高通量計算篩選發掘新型光電半導體材料
    文章中還收集整理了現有開源高通量計算軟體包及材料結構和性質資料庫，並介紹了一種通用的高通量計算篩選新型光電半導體材料的研究模型。主要分為五個步驟：（1）搜索現有的材料結構與性質資料庫,或基於結構原型做化學元素替換，或通過結構預測，構建待篩選的結構數據集。（2）對材料的熱力學穩定性能進行評估；（3）對（2）中篩選的熱力學穩定的材料，低精度地計算主要的電子結構和光學性質；（4）利用高精度的計算方法，對（3）中得到的材料做進一步的性能篩選；（5）根據不同的應用需求，加入其它的限定條件以篩選得到理想的光電材料。
  • npj:鈉離子電池層狀電極材料——高通量篩選
    來自中國南開大學的周震教授等，開發了一種快速的「高通量」計算方法，以搜索大量在線「材料項目」資料庫中的層狀鈉基材料。他們通過計算所獲得的Na基層狀材料包含38種空間群，表明該篩選方法的可信度不受空間群影響。作者通過密度泛函理論計算，進一步研究了這些材料的儲能代表性指標，如平均電位、體積變化和鈉離子遷移率等，評估了候選材料在鈉離子電池中的潛在應用。
  • npj: 納米結構熱電材料—計算的威力
    海歸學者發起的公益學術平臺分享信息，整合資源交流學術，偶爾風月理論計算和預測在先進高性能熱電材料的發展中發揮越來越重要的貢獻特別是，利用最小電子散射和最大限度地利用納米結構方法的全長尺度熱載流子散射的結合，實現了許多材料ZT優值的提高。納米結構方法集成了許多調用多尺度聲子散射的新思想：包括原子尺度合金化、內生納米結構和中尺度顆粒邊界控制，並以協同的方式結合了能帶對齊和簡併工程方法。然而，評估多尺度第二相體材系統的熱電性能卻仍然難以準確定量。這種綜合方法也是一種將ZT提高到3的最合理方法。
  • 核磁共振T1弛豫時間 縱向弛豫過程及磁共振造影劑測試應用
    弛豫過程 　　在核磁共振現象中，弛豫是指原子核發生共振且處在高能狀態時，當射頻脈衝停止後，將迅速恢復到原來低能狀態的現象。恢復的過程即稱為弛豫過程，它是一個能量轉換過程，需要一定的時間反映了質子系統中質子之間和質子周圍環境之間的相互作用。
  • 硫化亞鉑表面態輔助載流子複合及其光學非線性特性研究獲進展
    近期，中國科學院上海光學精密機械研究所微納光電子功能材料實驗室研究員王俊團隊在二維非層狀半導體硫化亞鉑（PtS）超快載流子動力學特性和光學非線性特性研究方面取得進展，揭示了PtS在光電子器件設計和應用方面的潛力。論文於10月29日在線發表於ACS Nano（DOI: 10.1021/acsnano.9b06782）。
  • 通用深度學習框架:預測材料相形成
    預測材料相形成，如簡單的BCC / FCC / HCP結構的固溶相、複雜結構的金屬間化合物、亞穩非晶相以及不同相的混合物等，是材料研究中的基本任務和挑戰。研究人員通常使用經驗熱物理參數、相圖計算和第一性原理來預測合金的玻璃形成能力和高熵合金，當然也有一些藉助常規機器學習開展預測的工作。
  • 雷射的參數(三)熱弛豫時間
    熱弛豫時間（thermal relaxation time,TRT）是指靶組織將傳導進來的能量1/2以上散發出去（由吸收的熱量衡量）所需要的時間