Key points are not available for this paper at this time.
Neste trabalho, propomos uma estrutura de triagem baseada em dados que combina aprendizado de máquina interpretável com cálculos de alto rendimento para identificar uma série de óxidos metálicos que exibem tanto tolerância a altas temperaturas quanto altos fatores de potência. Visando o problema da fraca capacidade de generalização de pequenos dados com fatores de potência em altas temperaturas, empregamos regressão simbólica para a criação de características, o que aumenta a robustez do modelo enquanto preserva o significado físico das características. 33 óxidos metálicos candidatos são finalmente selecionados para aplicações termelétricas de alta temperatura a partir de um conjunto de 48.694 compostos no banco de dados Materials Project. A teoria do transporte de Boltzmann é utilizada para realizar cálculos das propriedades de transporte elétrico a 1.000 K. O tempo de relaxação é aproximado através do acoplamento constante elétron-fonão baseado na teoria do potencial de deformação. Considerando a degenerescência da banda, a velocidade do grupo de elétrons é obtida usando o método do elemento de matriz de momento, resultando em 28 materiais com fatores de potência superiores a 50 W cm^-1 K^-2. A estrutura de alto através que propusemos é fundamental na seleção de óxidos metálicos para aplicações termelétricas de alta temperatura. Além disso, nossa análise baseada em dados e o cálculo de transporte sugerem que óxidos metálicos ricos em elementos como cerio (Ce), estanho (Sn) e chumbo (Pb) tendem a exibir altos fatores de potência em altas temperaturas.
Ma et al. (Ter,) estudaram esta questão.