第一作者：万骁、冯文韬

通讯作者：杨诺、邓程程

通讯单位：华中科技大学

热输运与材料信息学

近几十年来，在热输运领域有诸多前沿课题，例如对于极限热导率的探索、纳米尺度界面热导和提高热电转换性能等方向的研究。随着研究的深入，传统方法遇到一定的限制。

近几年，如何利用材料信息学推动热输运领域的前沿研究成为热点问题。人工智能已经被广泛应用于计算机、经济以及医疗等多个领域。其核心是机器学习（Machine Learning），而材料信息学（MaterialsInformatics）是结合了机器学习算法与材料科学工程的一个新兴领域。

如下图所示，材料信息学是基于模拟计算或实验测量等方式得到的数据库，利用机器学习算法寻找特定性质的功能材料或预测目标材料的未知性质。它能够利用机器学习算法实现从材料“结构”到“热物性”的直接映射，从而可以根据预定标准对目标材料进行预测，避免大量重复的人力劳动。使用材料信息学研究热输运问题的关键是利用传统的模拟或实验方法得到足够的初始数据，选取有效的机器学习算法以及进行合理的机理分析。

图1：使用材料信息学研究热输运问题的流程示意图。

综述简介

有鉴于此，华中科技大学杨诺、邓程程团队撰写了题为“在热输运领域利用材料信息学发现目标热功能材料和预测未知热物性”的综述论文。该论文回顾了近几年，材料信息学应用于热功能材料方向的研究进展和前景展望。

首先，文章介绍了此领域主要使用的三种机器学习算法：贝叶斯优化、随机森林和人工神经网络。然后，总结了利用机器学习研究晶格热导率、界面热导和热电性能方面的工作，并讨论了影响发现效率和预测效果的几个关键因素以及机理解释中的困难。

在展望中，论文详细讨论了热输运领域可以利用机器学习进行研究的几个具有挑战性的前沿课题。例如，利用机器学习研究纳米复合体系中多尺度热输运问题和声子输运的波动性和粒子性各自贡献问题的可能性；更进一步，可以研究机器学习与实验测量的配合问题、实验测量中多参数拟合问题和其他新颖的机器学习方法在热输运方面应用的潜在可能。

课题组网站：

更多研究成果请参考纳米传热实验室主页

http://nanoheat.energy.hust.edu.cn

参考文献：

Xiao Wan, Wentao Feng, Yunpeng Wang, Haidong Wang, Xing Zhang,Chengcheng Deng*, Nuo Yang*. Materials Discovery and Properties Prediction in Thermal Transport via Materials Informatics: A Mini Review. Nano Letters, 2019.

DOI: 10.1021/acs.nanolett.8b05196

https://pubs.acs.org/doi/10.1021/acs.nanolett.8b05196