第一作者：萬驍、馮文韜
通訊作者：楊諾、鄧程程
通訊單位：華中科技大學
熱輸運與材料信息學
近幾十年來，在熱輸運領域有諸多前沿課題，例如對于極限熱導率的探索、納米尺度界面熱導和提高熱電轉換性能等方向的研究。隨著研究的深入，傳統方法遇到一定的限制。
近幾年，如何利用材料信息學推動熱輸運領域的前沿研究成為熱點問題。人工智能已經被廣泛應用于計算機、經濟以及醫療等多個領域。其核心是機器學習（Machine Learning），而材料信息學（MaterialsInformatics）是結合了機器學習算法與材料科學工程的一個新興領域。
如下圖所示，材料信息學是基于模擬計算或實驗測量等方式得到的數據庫，利用機器學習算法尋找特定性質的功能材料或預測目標材料的未知性質。它能夠利用機器學習算法實現從材料“結構”到“熱物性”的直接映射，從而可以根據預定標準對目標材料進行預測，避免大量重復的人力勞動。使用材料信息學研究熱輸運問題的關鍵是利用傳統的模擬或實驗方法得到足夠的初始數據，選取有效的機器學習算法以及進行合理的機理分析。
圖1：使用材料信息學研究熱輸運問題的流程示意圖。
綜述簡介
有鑒于此，華中科技大學楊諾、鄧程程團隊撰寫了題為“在熱輸運領域利用材料信息學發現目標熱功能材料和預測未知熱物性”的綜述論文。該論文回顧了近幾年，材料信息學應用于熱功能材料方向的研究進展和前景展望。
首先，文章介紹了此領域主要使用的三種機器學習算法：貝葉斯優化、隨機森林和人工神經網絡。然后，總結了利用機器學習研究晶格熱導率、界面熱導和熱電性能方面的工作，并討論了影響發現效率和預測效果的幾個關鍵因素以及機理解釋中的困難。
在展望中，論文詳細討論了熱輸運領域可以利用機器學習進行研究的幾個具有挑戰性的前沿課題。例如，利用機器學習研究納米復合體系中多尺度熱輸運問題和聲子輸運的波動性和粒子性各自貢獻問題的可能性；更進一步，可以研究機器學習與實驗測量的配合問題、實驗測量中多參數擬合問題和其他新穎的機器學習方法在熱輸運方面應用的潛在可能。
課題組網站：
更多研究成果請參考納米傳熱實驗室主頁
http://nanoheat.energy.hust.edu.cn
參考文獻：
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
