机构名称：
¥ 2.0
热电 (TE) 材料是当今极少数可持续且可行的能源解决方案之一。这种巨大的能量收集前景取决于识别/设计出比现有材料效率更高的材料。然而，由于材料的化学空间非常广阔，到目前为止，只有一小部分材料经过了实验和/或计算扫描。通过在主动学习框架中采用基于压缩感知的符号回归，我们不仅确定了材料成分中具有卓越 TE 性能的趋势，还预测并通过实验合成了几种性能极高的新型 TE 材料。其中，我们发现 Cu 0.45 Ag 0.55 GaTe 2 在 827 K 时具有高达 ~2.8 的实验性能系数，这是该领域的一项突破。所提出的方法证明了物理信息描述符在材料科学中的重要性和巨大潜力，特别是对于通常在良好控制条件下的实验中获得的相对较小的数据集。
数据分析加速新药的实验发现
主要关键词
相关文件推荐
