告别复杂体系的实验试错法：离子热电中的机器学习 | NSR

本文介绍了清华大学航天航空学院的研究团队如何利用机器学习技术优化离子热电材料的开发。传统的离子热电材料开发依赖于繁琐的试错实验，效率低下。研究团队通过引入分子线性表示符（SMILES）将离子热电材料的化学结构转化为机器学习模型可以理解的特征数据，成功构建了规范化数据集，并实现了高达98%的预测准确率。通过这一方法，团队筛选出了一种塞贝克系数高达41.39 mV/K的新型离子热电材料——水性聚氨酯-碘化钾（WPU/KI）离子凝胶。这一研究不仅验证了机器学习在材料科学中的应用潜力，还为未来离子热电材料的设计和优化提供了科学依据，有望推动小型化能源装置和智能传感器的发展。