活性学习驱动的高熵热电材料高效发现与性能优化

来自多机构的研究团队通过活性学习框架，仅用80个实验数据就从16206种组合中高效筛选出三种新型高熵硫族化合物（HECs），其热电优值zT>2。该研究通过物理信息描述符与不确定性采样相结合，揭示了无序系统中的独特原子排列与载流子传输机制，为高通量材料开发提供了新范式。

　　

针对高熵合金（High-entropy alloys）在热电材料领域巨大成分空间带来的开发挑战，研究团队开发了基于活性学习（Active Learning）的智能筛选框架。该模型通过整合物理信息描述符和不确定性感知采样技术，仅用80个实验数据点就从16206种可能组合中高效锁定三种新型高熵硫族化合物（High-entropy chalcogenides, HECs）。这些材料展现出卓越的热电性能，其热电优值（figure of merit, zT）突破2.0大关。

研究进一步揭示了材料中新颖的原子排列方式以及独特的电子（electron）和声子（phonon）传输特性，阐明了富含无序性系统中实现高性能的物理机制。该方法不仅系统排除了不利化学组合，更使得非热电领域专家也能设计含任意组分的新体系，为复杂材料体系的加速发现提供了突破性解决方案。