Key points are not available for this paper at this time.
Resumo Materiais termoelétricos (TE) fornecem uma solução em estado sólido na recuperação de calor residual e refrigeração. Durante as últimas décadas, considerável esforço tem sido dedicado para melhorar o desempenho dos materiais TE, o que requer a otimização de múltiplas propriedades inter-relacionadas. Uma compreensão fundamental dos processos de interação entre os diversos portadores de energia, como elétrons e fônons, é crítica para os avanços no desenvolvimento de materiais TE. No entanto, essa compreensão continua desafiadora, principalmente devido à inacessibilidade das escalas de tempo usando simulações atomísticas padrão. Métodos de aprendizado de máquina, bem conhecidos por sua capacidade de análise de dados, têm sido aplicados com sucesso na pesquisa sobre materiais TE nos últimos anos. Aqui, é fornecida uma visão geral dos métodos de aprendizado de máquina utilizados em estudos termoelétricos, com o papel que cada método desempenha sendo discutido sistematicamente. Além disso, até o momento, a escala de bancos de dados relacionados a termoelétricos é muito menor do que em outros campos, como comércio eletrônico, identificação de imagens e reconhecimento de fala. Para superar essa limitação, estratégias possíveis para utilizar pequenos bancos de dados na promoção da ciência dos materiais também são discutidas. Por fim, uma breve conclusão e perspectiva são apresentadas.
Wang et al. (Qua,) estudaram esta questão.