机器学习在热电材料筛选中的应用：对热电性能的预测

《ACS Applied Energy Materials》：Machine Learning Predictions of Thermopower for Thermoelectric Material Screening

本研究开发了基于机器学习的结构独立预测热电材料Seebeck系数的批处理脚本，利用最新Starry数据集和实验数据训练模型，并通过SHAP方法进行可解释性分析。

　　

关于利用机器学习或深度学习方法预测热电（TE）材料的电子特性（尤其是塞贝克系数）的研究仍然相对较少。考虑到这些方法的优点和局限性，我们开发了一种基于数据驱动、与材料结构无关的机器学习脚本。该脚本可以通过终端执行的批处理文件来生成塞贝克系数的预测结果。我们脚本中的模型使用了最新版本的Starry数据集进行训练，该数据集包含了实验测得的热电参数。随后，该模型在多个测试集上进行了验证。预测完成后，我们利用SHapley加性解释（SHapley Additive Explanations）方法来分析模型的可解释性，并从化学角度深入理解影响模型决策的因素。