ترجمه فارسی مقاله پیش‌بینی‌های یادگیری ماشین و اصول اولیه مواد با رسانایی حرارتی شبکه پایین

چکیده

We perform machine learning (ML) simulations and density functional theory (DFT) calculations to search for materials with low lattice thermal conductivity, $κ_L$. Several cadmium (Cd) compounds containing elements from the alkali-metal and carbon groups including A$_2$CdX (A = Li, Na, and K; X = Pb, Sn, and Ge) are predicted by our ML models to exhibit very low $κ_L$ values ($< 1.0 $ W/mK), rendering these materials suitable for potential thermal management and insulation applications. Further DFT calculations of electronic and transport properties indicate that the figure of merit, $ZT$, for thermoelectric performance can exceed 1.0 in compounds such as K$_2$CdPb, K$_2$CdSn, and K$_2$CdGe, which are thereby also promising thermoelectric materials.

چکیده به فارسی (ترجمه ماشینی)

ما محاسبات یادگیری ماشین (ML) و محاسبات نظریه عملکردی چگالی (DFT) را برای جستجوی موادی با هدایت حرارتی شبکه کم ، $ κ_l $ انجام می دهیم.چندین ترکیب کادمیوم (CD) حاوی عناصر گروههای قلیایی فلزی و کربن شامل یک $ _2 $ CDX (a = li ، na و k ؛ x = pb ، sn و ge) توسط مدلهای ML ما پیش بینی شده است که بسیار نمایش داده شودمقادیر کم κ_l $ کم ($ <1.0 $ w/mk) ، این مواد را برای برنامه های احتمالی مدیریت حرارتی و عایق بندی مناسب ارائه می دهد.محاسبات DFT بیشتر از خصوصیات الکترونیکی و حمل و نقل نشان می دهد که رقم شایستگی ، $ ZT $ ، برای عملکرد ترموالکتریک می تواند بیش از 1.0 در ترکیباتی مانند k $ _2 $ cdpb ، k $ _2 $ cdsn و k $ _2 $ cdge باشد.بدین ترتیب نیز به مواد ترموالکتریک امیدوار کننده است. [sc name="papertranslation"][/sc]