Підвищення термоелектричних властивостей парофазних конденсатів SnTе за допомогою методів штучного інтелект

Abstract

У статті досліджуються можливості підвищення термоелектричних властивостей станум телуриду ( SnTe) за допомогою сучасних методів штучного інтелекту. SnTe—напівпровідниковий матеріал із кристалічною структурою NaCl, вузькою забороненою зоною (~0,2 еВ) і високою концентрацією носіїв заряду, широко використовується для створення термоелектричних елементів р-типу провідності. Однак ефективність SnTe обмежується структурними дефектами, зокрема вакансіями стануму, що впливає на електропровідність (σ), коефіцієнт Зеєбека (S) та термоелектричну потужність (SІσ).Методи машинного навчання та генеративні алгоритми дозволяють прогнозувати властивості матеріалу й оптимізувати умови синтезу, скорочуючи час і витрати. Використовуючи нейронні мережі, змодельовано зв’язки між складом, морфологією та термоелектричними характеристиками. Це дозволило створити нові склади SnTе легуючими елементами (галлій, бісмут), які демонструють покращені властивості. Методологія включала осадження плівок SnTe (40–800 нм), аналіз морфології атомно-силовою мікроскопією та дифрактометрією, створення навчальних наборів даних. Генетичні алгоритми використовувались для пошуку оптимальних складів, а моделі комп’ютерного зору автоматизували аналіз поверхонь, визначаючи оптимальну орієнтацію нанокристалів для мінімізації теплового опору. Результати показали підвищення електропровідності до ~ 12·10і Ом⁻№·см⁻№, коефіцієнта Зеєбека до ~85 мкВ/К і термоелектричної потужності до ~25 мкВт/КІ·см (покращення на 39–50%). Оптимізація товщини плівок і розподілу нанокристалів суттєво вплинула на зниження теплових втрат. Отримані результати відкривають перспективи застосування SnTe у високоефективних термоелектричних генераторах, охолоджувальних системах, промисловій утилізації тепла та відновлюваній енергетиці. The article explores the potential for enhancing the thermoelectric properties of tin telluride (SnTe) usingmodern artificial intelligence methods. SnTe, a semiconductor material with a NaCl crystalstructure, a narrowbandgap (~0.2 eV), and a high carrier concentration, is widely used to create thermoelectric elements with p-typeconductivity. However, the efficiency of SnTe is limited by structural defects, particularly tin vacancies, whichaffectelectrical conductivity (σ), the Seebeck coefficient (S), and thermoelectric power (S²σ). Machine learningmethods and generative algorithms enable the prediction of material properties and optimization of synthesisconditions, significantly reducing timeand costs. Using neural networks, complex relationships betweencomposition, morphology, and thermoelectric characteristics were modeled. This approach resulted in new SnTecompositions with doping elements (gallium, bismuth), demonstrating improved performance.The methodologyincluded the deposition of SnTe films (40–800 nm), morphological analysis using atomic force microscopy anddiffractometry, and the creation of training datasets. Genetic algorithms were appliedto identify optimalcompositions, while computer vision models automated surface analysis, determining the optimal orientation ofnanocrystals to minimize thermal resistance.The results showed an increase in electrical conductivity up to ~12·10³Ω⁻¹·cm⁻¹,a Seebeck coefficient of ~85 μV/K, and thermoelectric power of ~25 μW/K²·cm (an improvement of 39–50%). Optimizing film thickness and nanocrystal distribution significantly reduced thermal losses. The findingsopen new opportunities for the application ofSnTe in highly efficient thermoelectric generators, cooling systems,industrial heat recovery, and renewable energy.