告别复杂体系的实验试错法：离子热电中的机器学习 | NSR

本文介绍了一种利用机器学习技术在离子热电材料领域的新方法。研究者通过引入分子线性表示符（SMILES），成功构建了多组分、多种类复杂材料体系的机器学习模型。该模型能够高效预测材料的塞贝克系数，并在实验中验证了其预测的准确性，成功开发出塞贝克系数高达41 mV/K的新型离子热电材料。这一研究不仅节省了大量实验时间，还为未来优化和设计高性能离子热电材料提供了科学依据，有望应用于小型化能源装置和智能传感器。