释放热电潜力：一种针对Half-Heusler合金的机器学习堆叠方法

《ACS Applied Energy Materials》：Unlocking Thermoelectric Potential: A Machine Learning Stacking Approach for Half-Heusler Alloys

半海森合金热电性能通过集成随机森林与XGBoost算法预测，验证模型与第一性原理计算一致，解决了传统方法难以捕捉的非单调变化和高温衰减现象，为高性能材料设计提供新方法。

　　

采用集成建模方法预测了半赫斯勒（HH）合金的热电性能，具体来说是一种结合了随机森林（Random Forest）和XGBoost算法的堆叠模型。该研究利用了包含热导率（κ）、电导率（σ）、塞贝克系数（S）和优值（ZT）在内的多样化数据集，展示了出色的预测准确性，其中κ的R²分数为0.93，σ为0.96，S为0.99，ZT为0.92。特征重要性分析表明，温度、平均共价半径和原子体积偏差对热电性能有显著影响。堆叠模型通过大幅降低所有预测热电性能的平均绝对误差和均方根误差，显示出相较于单一基础模型的更强预测准确性和可靠性。该模型通过第一性原理密度泛函理论（DFT）计算对代表性化合物ErNiBi、YPtBi和YPdSb进行了验证，结果显示两者高度一致，并能够捕捉到实际实验中的现象，例如非单调变化以及高温下降前的峰值——这些现象是简化后的密度泛函理论难以描述的。这种综合方法突显了将机器学习与物理描述符结合在预测复杂热电性能方面的有效性，为高性能HH热电材料的战略设计提供了宝贵见解。集成建模框架结合了精心的特征选择和细致的工程设计，为未来开发高性能热电材料的研究奠定了坚实的基础。