ML로 10만여 Heusler 합금을 고속 선별해 열전 후보 80개 도출

1/ AI 활용 방법: 원자 수준 line graph neural network로 스핀 분해 d-DOS 예측
2/ 적용 과제: 106,235개 Heusler 구조의 전자구조를 예측해 열전 후보를 고속 선별
3/ 보고된 결과: 예측 DOS를 DFT DOS와 비교해 검증했고, 80개 계산 후보를 인증했으며 그중 61개는 미보고 실험 후보로 정리
4/ 연구진은 스핀 분해 d-DOS를 예측하는 atomistic line graph neural network를 Heusler 합금 데이터에 적용해, DXMag 데이터베이스의 106,235개 구조를 대상으로 열전 물질 후보를 고속 선별했다.
5/ 예측된 밀도상태는 DFT 계산 결과와 비교해 검증했고, 이 정보를 첫원리 수송 계산과 결합해 후보를 추렸다.
6/ 최종적으로 80개의 계산 후보가 정리됐고, 그중 61개는 기존에 보고된 실험 데이터가 없는 신규 후보로 제시됐다.
7/ 또한 DOS 기반 Seebeck 지표가 상위 후보를 우선순위화하는 데 유효하다고 보고했다.
8/ 재료 관점에서 이 결과는 대규모 조성·구조 공간에서 전자구조 예측과 수송 지표를 연결해 스크리닝 효율을 높일 수 있음을 보여준다.
9/ 다만 보고된 성과는 계산 기반 선별이며, 실제 열전 성능은 합성, 상안정성, 미세조직, 도핑 가능성, 측정 조건에 따라 달라질 수 있다. [1]