人工智能在热电材料探索中的应用修正

2024年3月8日，一组研究人员利用人工智能成功鉴定了一种可能具有优良特性的热电材料。他们在《中国科学：材料》杂志上发表了这一发现的详细内容。

传统的寻找合适材料的方法常常是试错法，耗时且昂贵。但东北大学先进材料研究所（WPI-AIMR）副教授和论文通讯作者郝力表示：“人工智能改变了这一现状，它通过搜索数据库来识别潜在的材料，并且这些材料可以通过实验证实。”

然而，人工智能仍然面临挑战。大规模的材料数据集有时会包含错误，并且过度拟合预测温度依赖性属性也是一个常见问题。过度拟合是指模型学习捕捉训练数据中的噪声或随机波动，而非其中的潜在模式或关系。结果，该模型在训练数据上表现良好，但在新的、未见过的数据上却无法泛化。在预测温度依赖性属性时，过度拟合可能导致模型在遇到训练数据范围之外的新条件时进行不准确的预测。

郝力及其同事们致力于克服这些问题，以开发一种热电材料。这些材料将热能转化为电能，反之亦然。因此，获得高度准确的温度依赖性至关重要。

“首先，我们执行了一系列合理的行动来识别并丢弃可疑数据，从Starrydata2数据库中获取了92291个数据点，包括7295种组合和不同温度，这是一个在线数据库，收集了来自发表论文的数字数据。”郝力说道。

随后，研究人员采用基于组成的交叉验证方法。关键是，他们强调具有相同组成但不同温度的数据点不应该被分成不同的集合，以避免过度拟合。

然后，研究人员使用了梯度提升决策树方法构建了机器建模模型。该模型在训练数据集、测试数据集和2023年发布的新的样本实验数据上分别达到了显著的R2值0.89、0.90和0.89，证明了模型在预测新材料方面的准确性。

“我们可以利用这个模型对材料项目数据库中的稳定材料进行大规模评估，预测新材料的潜在热电性能，并为实验提供指导。” WPI-AIMR助理教授、论文合著者夏佳表示。

最终，这项研究阐明了在机器学习中遵循严格的数据预处理和数据分割准则的重要性，以解决材料科学中的紧迫问题。研究人员对他们的策略也能够应用于其他材料，如电催化剂和电池，持乐观态度。