近日，课题组研究生在国际传热传质期刊发表“Enhancing Thermoelectric Properties of Isotope Graphene Nanoribbons via Machine Learning Guided Manipulation of Disordered Antidots and Interfaces”研究论文。该工作结合机器学习与原子格林函数器件输运分析方法，通过操纵同位素与反点的界面排布，实现石墨烯纳米带热电性能的高效优化设计。

纳米尺度下的结构调控能够在一定程度突破材料不同性质间的耦合关联，获得具有高的塞贝克系数、高的电导率与低的导热系数的高性能热电材料。石墨烯作为一种优异的二维材料，有着轻质、无毒、可批量制备等优点，并且有着高的载流子迁移率和强的机械柔韧性。然而，原始的石墨烯材料由于本身高的热导率及电子零带隙的特征无法直接应用于热电器件。以往的研究表明，同位素掺杂、拓扑图案化等缺陷工程能够降低石墨烯热导率及增大电子带宽，从而增强热电性能。本研究利用同位素效应及反点效应，结合非平衡格林函数分析方法和机器学习算法对石墨烯纳米带热电性能进行优化。

图1 机器学习结合原子格林函数器件输运分析方法用于石墨烯纳米带热电性能优化设计

通过机器学习优化得到的石墨烯纳米带优化结构热电优值ZT为0.894，是原始结构的5.7倍。对比原始、周期、优化、纯同位素和纯反点效应作用的石墨烯纳米带热/电输运相关参量表明，周期，优化和反点结构的热阻均为原始结构的2.5倍以上，而同位素结构的热阻仅为1.18倍，体现了反点效应在降低石墨烯纳米带热导率方面的优势。此外，优化/反点结构的热电功率提高到原始结构的1.79倍，并且维持82.2%电导率。然而，周期结构的电导率只有原始结构的一半左右，因此其热电功率提升受到限制。在热电优值方面，周期结构的ZT提高到3.42倍，低于优化结构2.47倍；反点结构的ZT接近5.00倍，而同位素结构的ZT仅为1.18倍。

图2 带有同位素和反点界面的石墨烯纳米带热电性能优化设计结果

上述结果反映了利用同位素和反点组成非周期性界面结构的排布设计能够有效提高石墨烯纳米带的热电性能，并且发挥机器学习在大自由度复杂体系优化设计方面的优势。同时，结合石墨烯纳米带声子/电子透射谱分析可得，反点效应较同位素效应对石墨烯纳米带热电性能提升作用更加显著。一方面，由反点效应增强的声子-反点散射使得优化结构热导率显著降低是其ZT提高的主要原因。另一方面，结构缺陷打开了电子带宽有利于其热电功率在一定程度上增大。本研究所提出的将载流子输运性质分析与机器学习算法相结合的方法能够高效指导低维纳米材料的热电性能优化设计，并且帮助探索和获得非直观的物理见解。

原文链接：https://doi.org/10.1016/j.ijheatmasstransfer.2022.123332

论文的第一作者是上海交通大学中英国际低碳学院2020级博士研究生黄翔，通讯作者是鞠生宏副教授。