热电材料功率因子(Power Factor, PF)的高效描述符(Descriptor)

《ACS Applied Energy Materials》：Efficient Descriptors for the Power Factor of Thermoelectric Materials

　　

研究人员提出了一种高效的、基于物理原理的方法，用于在无需进行完整的从头算(ab initio)电子–声子输运计算的情况下，对半霍斯勒(Half-Heusler, HH)合金的热电功率因子(Power Factor, PF)进行排序。利用来自12种HH化合物的全从头算玻尔兹曼输运方程(Boltzmann Transport Equation, BTE)计算的PF数据，研究人员发现这些化合物的PF排序主要由电导率(σ)决定。研究人员进一步证明σ主要由电离杂质散射(Ionized Impurity Scattering, IIS)和极性光学声子(Polar Optical Phonon, POP)散射决定，而非计算成本更高的声学声子和非极性光学声子过程。随后，研究人员结合简单、易计算或现成的能带结构和POP+IIS散射决定性物理量（谷简并度与能带简并度、态密度有效质量、电导有效质量、介电常数、声子能量等），构建了与全散射BTE PF排序结果高度相关的描述符(Descriptor)。研究人员确定最佳描述符为 mDOSnv,nb·k∞/ mcond，其中 mDOSnv,nb为态密度有效质量(Density of States Effective Mass)，mcond为电导有效质量(Conductivity Effective Mass)，k∞为高频介电常数(High-frequency Dielectric Constant)。通过将机器学习(Machine Learning, ML)随机森林回归(Random Forest Regression)及基于matminer的组成特征，结合所开发的描述符微调，研究人员评估了扩展至40种HH合金的PF，并显示其以高拟合优度复现PF值。总之，研究表明简单的基于输运物理的描述符是增强标准ML模型的最显著特征，该组合在仅需较小训练集的情况下准确复现全BTE PF排序，从而实现对PF的材料稳健筛选。

《Efficient Descriptors for the Power Factor of Thermoelectric Materials》论文解读

该论文发表于《ACS Applied Energy Materials》，研究针对热电材料高性能筛选中全从头算(ab initio)电子–声子耦合输运计算成本高昂、难以适用于高通量筛选的现状，以半霍斯勒(Half-Heusler, HH)合金为模型体系，开展基于物理的热电功率因子(Power Factor, PF = S2σ，S为塞贝克系数Seebeck Coefficient，σ为电导率)描述符(Descriptor)构建与验证研究。现有基于恒定弛豫时间近似(Constant Relaxation Time Approximation, CRTA)的筛选忽略材料特异性散射，导致PF排序不准；而包含全散射机制的玻尔兹曼输运方程(Boltzmann Transport Equation, BTE)求解计算量巨大。本研究旨在证明PF排序主要受控于电导率及电离杂质散射(Ionized Impurity Scattering, IIS)与极性光学声子(Polar Optical Phonon, POP)散射，并据此构建低计算成本的物理描述符，实现无电子–声子矩阵元计算的PF快速排序，并结合机器学习(Machine Learning, ML)验证其预测能力。

主要关键技术方法

研究人员选取12种HH化合物作为全散射基准组（采用DFT+ElecTra代码求解包含ADP、ODP、POP、IIS的全BTE获取PF_{All ph+IIS}），扩展至40种HH化合物计算POP+IIS限制下的PF_POP+IIS。从DFT能带或有效质量提取代码(EMAF)获取谷数n_v、能带数n_b、态密度有效质量m_DOS^n_v,n_b（各传导通道平均DOS有效质量乘以n_vn_b）、电导有效质量m_cond；从DFPT或数据库获取静态介电常数k₀、高频介电常数k_∞、LO声子能量ω_LO。通过Pearson相关系数及变异系数(Coefficient of Variation, CV)评估各参数及组合描述符与PF的相关性；采用随机森林(Random Forest, RF)回归，分别以单一描述符、matminer Magpie组成特征（134维元素统计）、描述符+Magpie为特征，预测PF并分析特征重要性，以R2与平均绝对误差(Mean Absolute Error, MAE)评估性能。

研究结果

2. Computational Approach（计算方法）

2.1 Data Set：12种HH化合物在T=300 K下全散射PF显示，"All phonon+IIS"平均PF接近"POP+IIS"而非"ADP+ODP"，表明POP+IIS已捕获主导PF抑制趋势，适合作为描述符构建基础。平均散射时间τ(E)显示POP+IIS在PF峰值能区（带边附近η_F=0 eV）寿命最短，证实其为最强散射机制。

2.2 PF与σ、|S|相关性：PF_{All ph+IIS}与σ_{All ph+IIS}高度正相关（n型r_e=0.99，p型r_h=0.91），与|S|_{All ph+IIS}相关性弱（r_e=0.49，r_h=-0.54），证实PF跨材料排序主要由σ驱动。PF_POP+IIS与PF_{All ph+IIS}对p型强相关(r_h=0.90)，n型中等(r_e=0.61)；POP单独是n型排序主因，IIS单独是p型排序主因。

2.3 Descriptor Development（描述符构建）：基于σ受POP+IIS控制，纳入(n_vn_b)谷/能带多重性、(m_DOS/m_cond)能带各向异性、(k_∞/k₀)与ω弱化POP、(k₀)弱化IIS，构建综合描述符 D?=(n_vn_b)(m_DOS/m_cond)(k_∞/k₀)ωk₀，约化消去k₀得 D* = m_DOS^n_v,n_b·k_∞·ω / m_cond，最简形式基线描述符 D⁽⁰⁾= m_DOS^n_v,n_b/ m_cond。

3. Results and Discussion（结果与讨论）

3.1 Descriptor Performance（描述符性能）：对40种HH的POP+IIS限制PF及12种HH的全散射PF做相关性分析。基线D⁽⁰⁾与PF_{All ph+IIS}相关良好（r_e=0.92，r_h=0.63）。引入介电常数的D₁= m_DOS^n_v,n_b·k_∞/ m_cond表现最优：n型与PF_{All ph+IIS}相关系数r_e=0.97，p型r_h=0.85；POP+IIS限制下n型r_e=0.66，p型r_h=0.86。含ω的D转移相关性亦强（n型r_e=0.91，p型r_h=0.89）。D₁和D系统性优于先前含形变势的描述符及Fermi面复杂度因子(n_vK*)。

3.2 Machine Learning Evaluation of Descriptor Performance（描述符的机器学习评估）：RF回归显示D₁单独作为输入，n型R2=0.844(MAE=0.94)、p型R2=0.911(MAE=0.86)；Magpie单独n型R2=0.802、p型R2=0.857；D₁+Magpie联合n型R2=0.855(MAE=0.83)、p型R2=0.903(MAE=0.77)。特征重要性分析表明含k_∞的D₁成为模型主导预测变量，Magpie特征仅作次要修正，描述符提供与成分特征互补且非冗余的输运物理信息。

3.3 Discussion（讨论）：与需输运系数或形变势的描述符比，D₁计算成本低且PF_{All ph+IIS}相关性更高。CRTA基PF与全散射PF仅中等相关（n型≈0.5，p型≈0.7），说明带结构贡献约60%排序信息，剩余40%由散射细节决定，本描述符捕获了后者。描述符基于POP+IIS为主散射机制，适用于多数极性热电材料及合适掺杂浓度；高温下p型因价带复杂ADP贡献增大致相关性略降，n型X谷维持高相关至900 K；PF取带边峰值(η_F=0 eV)时Seebeck变化小，σ差异主导PF故描述符有效。

结论（Conclusions）部分总结翻译

研究人员开发并验证了用于半霍斯勒(HH)合金热电功率因子(PF)筛选的紧凑、物理知启描述符。基于全从头算BTE证明PF排序主要受电导率驱动且POP+IIS主导σ，据此构建含能带特征与散射参数的描述符。最简谷/能带数与各向异性项 m_DOS^n_v,n_b/m_cond已与PF强相关；介电加权各向异性描述符 D₁= m_DOS^n_v,n_b·k_∞/m_cond是n型和p型中最稳健的单一标量。嵌入随机森林回归显示描述符单独预测力强，与Magpie特征联用进一步提升精度且描述符为最主要特征。研究表明结合经全散射验证的散射知启最小描述符的ML可用更小训练集实现可靠PF预测与材料筛选。