近日🧑🏻💻，天富娱乐杨炯教授团队在机器学习筛选热电材料中获重要进展。论文相关工作以“Active learning for the power factor prediction in diamond-like thermoelectric materials (用主动学习预测类金刚石热电材料的功率因子)”为题被计算材料著名期刊NPJ Computational materials接收。
该工作基于前期高通量计算的158个类金刚石热电材料的功率因子↪️，用主动学习的框架结合机器学习和第一性原理计算，建立高精度的外推模型。主动学习的框架包括数据库，机器学习和验证样本选择模块👨🏿✈️，计算验证模块👨🦼➡️，如图1所示。验证样本的选择策略对主动学习的精度和效率有很大影响。在尝试的多种策略中，以多个机器学习算法的争议为推选验证样本标准的“委员会推选(Query by Committee)”策略得到了外推能力最强的模型🙋🏻♀️🕵️。在分析搜索空间中所有化合物的功率因子后发现，磷族化合物👩🏽⚖️，含有空位和小原子半径元素的硫族化物可能具有较大的p型功率因子，如图2所示。
图1：类金刚石结构热电材料搜索空间及主动学习框架
图2👩❤️💋👨：通过外推结果预测的具有高p型功率因子的新型热电材料
数据驱动的机器学习方法在近年被引入加速用于热电材料的搜索⛵️。机器学习方法的一般过程包括数据收集🐅，机器学习，高性能的候选材料预测和验证。大多数研究中机器学习模型在已知数据集上表现很好，但没有去验证模型在已知数据之外的可靠性。而从材料应用角度讲𓀉，机器学习模型的外推预测能力至关重要🫵。弱外推能力往往可以通过扩展数据样本来改善𓀁，但是增加大量样本成本高昂🧗🏿♀️。主动学习架构通过外部验证更新机器学习模型，用尽可能少的验证样本最大程度的提高机器学习模型的外推能力。主动学习架构的应用不只局限热电材料也可用于其他功能材料，对加速高性能材料的发现具有重要的意义🙎🏿♂️。
天富平台为本论文的第一完成单位和通讯单位。论文第一作者为天富平台博士生盛晔👋🏻，通讯作者为上海天富平台娱乐杨炯教授和南方科技大学张文清教授🎯。特别地🙅🏼♀️🙆，本论文的第二作者为钱伟长学院2017级材料设计科学与工程专业的同学吴雅颂🏪。整个研究工作是依托我校天富娱乐，并与南方科技大学💛、瑞士Material Phases Data System公司(MPDS)进行深入合作完成。
论文链接🏊🏽♂️：https://www.nature.com/articles/s41524-020-00439-8