一种基于物理原理的神经网络，用于预测半赫斯勒化合物中温度依赖的晶格热导率

《Scripta Materialia》：A physics-informed neural network for temperature-dependent lattice thermal conductivity in half-Heusler compounds

　　

Tika Restianingsih|Chenyu Shen|Yoshihiro Gohda

摘要

晶格热导率（κ_l）是设计高效热电材料的关键参数，而完整的非谐晶格动力学计算在计算成本上非常高。在本研究中，我们开发了一种基于物理的神经网络，通过结合经验基准项和修正项来预测随温度变化的晶格热导率κ_l(T)。该模型使用仅由元素和结构特征描述符构成的65种半赫斯勒化合物在200–1000 K范围内的第一性原理κ_l数据进行了训练。在测试化合物上，该模型展现了极高的准确性（$R^2=0.94$），表明其在不同成分和温度下都具有很强的泛化能力。值得注意的是，在单一工作点（300 K）下评估时，该模型仍保持较高的预测精度（$R^2=0.91$），说明其在室温筛选中依然可靠。此外，我们还将该模型应用于半赫斯勒化合物数据库的筛选，能够在整个工作范围内对候选材料进行排序，而非仅在某一参考温度下评估，从而有助于为热电应用选择合适的成分。