10月13日消息，一篇提交至arXiv的论文（编号2610.18179）对Heusler合金热电材料进行了迄今规模最大的高通量筛选之一：研究团队对DXMag数据库中全部106235种Heusler结构开展计算筛选，其中51257种基于密度泛函理论谱数据、54978种基于神经网络预测的态密度（DOS），并以3625次能带结构与输运计算作为基准评判两种策略。

论文作者为Shivam Randive、Ayana Ghosh、Rahul Dixit与Himanshu Pandey。热电材料可将废热直接转化为电能，但新材料的发现受限于输运计算的成本——对整个材料数据库逐一计算并不可行，因此预筛策略的选择至关重要。

研究的核心发现是：由DOS衍生的Seebeck系数指标表现优异，能将几乎所有通过输运与稳定性测试的化合物排在各自群体的前1%；十一种已证实的热电材料中有十种被该指标成功富集。这意味着“机器学习预测DOS+物理指标预筛+少量精算”的三级漏斗可以在计算成本降低数量级的同时不损失发现能力。

热电材料在工业余热回收、深空探测器供电（RTG）等领域有刚性需求，Heusler合金因结构家族庞大、组分可调而成为主要搜索空间。该工作为“AI加速材料发现”提供了方法学上可复用的筛选范式。 （来源：arXiv）