热电材料筛选不再只看单点：从成分和温度直接画出zT曲线，留出材料上R²达0.88
核心概要
热电材料筛选需要知道zT随温度变化的整条曲线，因为峰值大小和位置决定可用工作温区，而逐点测量S、σ、κ代价很高。一种以zT为主任务、把S、σ、κ、PF作为辅助任务的多任务模型，只输入成分描述符和温度，就同时输出这些性质并重建zT。在按材料分组的十折留出评估中，zT的R²为0.8765，峰值温度平均绝对误差14.07 K；四个文献来源材料的24个外部点上R²为0.9755。
深度剖析
输入一个化学式和温度，模型给出该材料在该温度下的塞贝克系数、电导率、热导率、功率因子和热电优值zT，并据此画出整条zT随温度变化的曲线。 此前热电输运曲线要靠密集温度区间上分别测量S、σ、κ，常需不同仪器或样品条件；第一性原理与玻尔兹曼输运计算虽有微观信息，但成本与结构要求限制了在真实合金、缺陷和载流子浓度上的广泛筛选。 整理后的数据集含755个按化学式定义的材料、270个元素体系、275–1275 K范围内4222条观测；十折按材料分组的留出预测给出zT的R²=0.8765、MAE=0.0764、RMSE=0.1166，各折R²在0.8499–0.9291之间。
模型把zT当作主输出，其余四个性质作为辅助监督，并用热电关系式在训练中约束各输出彼此一致。 多任务学习让相关目标共享信息，但五个目标在尺度、噪声、覆盖度和筛选相关性上并不相同，直接等权优化会把容量分散到辅助量上。 成分用132个Magpie描述符经方差与相关性过滤、再经主成分分析降到96维，温度用四个傅里叶频率展开；训练分两阶段，第二阶段把zT损失权重从6.00提到8.00、压低辅助权重，并对高zT观测加权，物理一致性惩罚在前30个epoch内逐步引入。
曲线层面的评估把峰值高度和峰值所在温度单独拿出来看，而不只是逐点误差。 随机按点划分会把同一材料的不同温度分到训练集和测试集，实际评估的是沿部分观测曲线的插值，而不是对未见材料的预测。 按材料分组后，峰值zT的MAE为0.1141，峰值温度MAE为14.07 K；八个代表性留出材料的预测跟随了实测变化方向，每100 K的趋势MAE在0.027–0.136之间。
启示与展望
模型面向只掌握化学式、没有详细晶体结构的筛选场景，输出275–1275 K范围内的温度相关性质曲线，用于候选排序和工作温区选择。曲线级分析只纳入至少四个不同实验温度的材料，逐点评估使用全部有效材料–温度观测。外部验证覆盖BaSnS3、Na2InCuF6、LaOBiS2和MgI2Bi2S3四个文献来源材料、共24个温度–zT点。
外部验证仅涉及四个材料、24个点，材料级R²在0.9347–0.9878之间，样本规模有限。按材料分组的十折中zT的R²在0.8499–0.9291之间波动，说明跨材料组的迁移表现并不均匀。成分表示只编码化学式信息，结构、载流子浓度、微结构、合成历史和测量条件未进入模型，需作为材料特定修正的补充信息。