Criblage de nouveaux composés intermétalliques thermoélectriques en couplant calculs à haut-débit et apprentissage automatique
Céline Barreteau
ICMPE, CNRS-UMR 7182, 2-4 rue Henri Dunant, 94320, Thiais
Dans le contexte économique et écologique actuel, le développement de production alternative d’énergie est un enjeu majeur. Dans cette optique, les matériaux thermoélectriques, qui permettent de convertir un flux de chaleur en gradient de température (et inversement), présentent de nombreux avantages : pas de pièces mobiles, grande fiabilité, …. Ils sont cependant encore cantonnés à des applications de niches du fait de leurs coûts élevés de production et leurs rendements faibles. De nouveaux matériaux hautes performances sont donc nécessaires pour accroitre l’utilisation de cette technologie.
Pour faciliter et accélérer la recherche de nouveaux candidats, une double approche, combinant calculs premiers principes et expérimentations, est intéressante. Notre méthode associe, pour un large panel de compositions, des calculs à haut-débit, permettant de mettre en évidence des composés stables et non métalliques, à l’étude expérimentale des matériaux criblés les plus prometteurs.
Dans un premier temps, nous nous sommes concentrés sur les composés intermétalliques ternaires T-M-X, avec T un métal de transition, une terre rare ou un métal alcalino-terreux, M un élément de la première ligne des métaux de transition et X, un élément sp [1,2]. Ainsi, pour des dizaines de prototypes, toutes les combinaisons T-M-X possibles ont été étudiées par des calculs DFT. Après ce criblage théorique, des investigations expérimentales ont été menées pour confirmer les résultats théoriques, notamment concernant la stabilité et les propriétés thermoélectriques [3].
A présent, dans notre quête de nouveaux matériaux plus prometteurs, nous continuons d’améliorer notre méthode de criblage afin de complexifier et d’augmenter le type de composés tout en réduisant le nombre et la durée des calculs. Dans cette optique, des techniques d’apprentissage automatique (Machine Learning) ont été appliquées à certains prototypes intermétalliques, comme les Heuslers pour optimiser notre criblage [4].
______________________
[1] Barreteau, C. et al., Optimization of criteria for an efficient screening of new thermoelectric compounds: the TiNiSi structure-type as a case-study, ACS Combinatorial Sciences, 22, 813-820, (2020), https://doi.org/10.1021/acscombsci.0c00133
[2] Barreteau, C. et al., Looking for new thermoelectric materials among TMX intermetallics using high-throughput calculations, Computational Material Science, 156, 96-103 (2019), http://doi.org/10.1016/j.commatsci.2018.09.030
[3] Moll, A. et al., SrCuP and SrCuSb Zintl phases as potential thermoelectric materials, J. All. Comp., 924, 169123 (2023) https://doi.org/10.1016/j.jallcom.2023.169123
[4] Xie, R. et al., Screening new quaternary semiconductor Heusler compounds by machine-learning methods, Chem. Mater. , 35, 7615-7627 (2023) https://doi.org/10.1021/acs.chemmater.3c01323
