机器学习引导的高性能镁基热电材料设计：热膨胀效应的机理探索与优化策略

这篇研究通过高通量计算与机器学习(XGBoost模型)系统评估镁基热电材料，首次揭示热膨胀通过调控晶格非谐性(降低κL)和能带色散(提升Seebeck系数S)双重机制优化ZT值，为环保型热电材料开发提供普适性理论框架。

　　

Highlight

热膨胀效应通过改变原子间相互作用势显著增强材料非谐性，使镁基体系的晶格热导率(κ_L)降低达30%。同时，该效应促使能带色散减弱，在费米能级附近形成更集中的态密度(DOS)，有效质量提升带来Seebeck系数(S)的潜在增长。这些发现为理解热膨胀调控热电性能(ZT)的物理机制提供了新视角。

Data Construction

从OQMD数据库获取5个空间群的镁基材料晶体结构数据，通过密度泛函理论(DFT)计算热电参数建立初始数据集。基于带隙和机械稳定性等标准严格筛选样本，确保数据质量。

Dataset Construction

机器学习技术能高效预测镁基材料热电性能，大幅缩短传统实验筛选周期。通过特征工程分析，我们发现热膨胀系数与ZT值存在强相关性，这为材料优化提供了新靶点。

Conclusion

结合高通量计算与机器学习，本研究不仅阐明热膨胀影响热电性能的微观机制，还构建了预测精度达92%的XGBoost模型。该模型可快速筛选具有低κ_L和高功率因子(S²σ)的候选材料，推动环保型热电材料的开发进程。