不确定性感知机器学习高通量发现温度诱导固-固相变及其热管理应用

《Digital Discovery》：Uncertainty-Aware Machine Learning Discovery of Temperature-Induced Solid-Solid Phase Transitions for Thermal Management ApplicationsOpen Access

　　

固-固相变是能量存储、固态制冷和自适应热管理中的核心功能基础，然而在有限温度下预测这些相变仍是一项重大计算挑战。在此，我们提出一种不确定性感知机器学习框架，用于高通量发现无机晶体中温度驱动的晶型转变。通过将密度泛函理论与经训练以预测振动自由能的图神经网络相结合，我们筛选了约50,000种化合物，识别出在具有技术相关性的温度范围300 ≤ T ≤ 600 K内发生的250个固-固相变。这些相变中许多表现出异常大的熵变（> 100 J K?1 kg?1），其中数个发生在接近室温处，因此为热能存储和固态制冷应用提供了巨大潜力。我们进一步发现了在相变前后晶格热导率发生巨大相对变化的材料，变化幅度高达约1,000%，凸显了其在热开关方面的应用前景。与第一性原理计算的验证证实了我们方法的预测可靠性。本工作为发现相变材料建立了一条可扩展的路径，并展示了机器学习如何以前所未有的规模变革温度依赖型晶体现象的探索。

该内容仅可通过PDF获取。

打开 PDF 不确定性感知机器学习发现温度诱导固-固相变用于热管理应用的文章PDF，在新窗口中打开

? 2026 作者。由英国皇家化学会出版

2026

作者

本文根据知识共享署名4.0未端口许可协议授权。您可以在其他出版物中使用本文内容，无需向RSC另行申请许可，但须进行正确的署名引用。

本文根据 知识共享署名4.0国际许可协议 授权。