Kombinatorische Entwicklung effizienter thermoelektrischer Halb-Heusler-Materialien durch maschinelles Lernen, DFT und Hochdurchsatz-Experimente

• Antragsteller: Dr. Johannes de Boor; Professor Dr.-Ing. Alfred Ludwig
• Fachliche Zuordnung: Computergestütztes Werkstoffdesign und Simulation von Werkstoffverhalten von atomistischer bis mikroskopischer Skala ; Herstellung und Eigenschaften von Funktionsmaterialien ; Physikalische Chemie von Festkörpern und Oberflächen, Materialcharakterisierung
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 545636554

Die Nachfrage nach grüner Energie ist mit dem steigenden Energieverbrauch und dem drohenden Klimawandel ständig gestiegen. Dies wird durch die ungebremste Nutzung fossiler Brennstoffe verschärft bei der 60 % der Primärenergie als ungenutzte Wärme verschwendet wird. Thermoelektrische (TE) Materialien sind ein vielversprechender Ansatz für grüne Energie, da sie Wärme direkt in Strom umwandeln. Die begrenzte Performance, aber auch mangelnde mechanische Robustheit und die Verwendung von teuren und giftigen Elementen in den bisherigen TE-Materialien schränken ihre Anwendung jedoch stark ein. Halb-Heusler-Materialien (HH) haben sich als vielversprechend für TE-Anwendungen erwiesen und bieten enorme Zusammensetzungsvielfalt mit billigen, vorhandenen und umweltfreundlichen Elementen. Dieser Antrag zielt darauf ab, das gesamte Potenzial des HH-Zusammensetzungsraums einschließlich der iso- und alioelektronischen Substitution für hocheffiziente TE-Materialien durch eine Kombination von Werkzeugen der künstlichen Intelligenz wie maschinelles Lernen (ML) und Hochdurchsatzsynthese und -charakterisierung zu evaluieren. Die Entschlüsselung der Struktur-Eigenschafts-Beziehungen aus "Black-Box"-Modellen, die Validierung der Dichtefunktionaltheorie (DFT) von ML-gescreenten Substitutionsverbindungen, aber auch experimentelle Techniken für die Herstellung und Hochdurchsatz-Charakterisierung von Materialbibliotheken unter Einbeziehung der Mikrostruktur, um ML- und DFT-Ergebnisse zu validieren, sind hier jedoch eine große Herausforderung. Ein mehrstufiger Ansatz, der ML, DFT und Experimente einschließt, soll diese Herausforderungen angehen. Er umfasst die Entwicklung physikalisch interpretierbarer ML-Modelle unter Verwendung von symbolischen Regressions- und symbolischen Destillationstechniken zur Vorhersage der TE-Eigenschaften des gesamten chemischen Raums von HH. Die durch das ML-Hochdurchsatz-Screening vorhergesagten TE-Eigenschaften werden durch fortgeschrittene DFT-Berechnungen zur Phasenstabilität und thermoelektrischen Eigenschaften validiert. Um den Kompositionsraum unabhängig von der Ladungsträgerkonzentration des TE-Materials vollständig auszunutzen, wird ein neuartiges Konzept eingeführt, das den Materialqualitätsfaktor anstelle der Gütezahl zT als Zielparameter für das ML-Screening verwendet. Das experimentelle Screening vielversprechender Zusammensetzungen durch Dünnschicht- und Bulk-Materialbibliotheken sowie die Synthese ausgewählter Zusammensetzungen als homogene Bulk-Proben zusammen mit einer mikrostrukturellen Analyse werden in das ML-Training einfließen und sollen Diskrepanzen zwischen ML-, DFT- und experimentellen Ergebnissen beseitigen. Dieser Ansatz wird nicht nur die erschöpfende kombinatorische Entwicklung effizienter HH-Verbindungen erleichtern, sondern auch ein zukünftiges inverses Design von TE-Materialien aufgrund von Merkmalen ermöglichen, die aus physikalisch interpretierbaren ML-Deskriptoren identifiziert werden.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Frankreich
• Partnerorganisation: Agence Nationale de la Recherche / The French National Research Agency
• Kooperationspartner: Professor Dr. Philippe Jund