（通讯员 李牧川）2021年9月，能源和材料领域顶级期刊Materials Science and Engineering R (影响因子IF=36.214)刊发题为“Machine Learning for Predicting Thermal Transport Properties of Solids”的综述文章，第一作者和通讯作者分别为我院钱鑫教授和杨荣贵教授。

固体热输运性质在芯片散热、高温热障涂层、建筑绝热材料、热电等领域均为重要的物性参数。尽管近年来基于第一性原理的热导率计算已趋成熟，但是其高昂的计算量导致难以应用于对大量功能材料的热输运性质进行高通量预测筛选。此外，第一性计算对于处理工程应用中的普遍具有无序缺陷、高温相变、复杂结构等固体材料体系仍然存在理论困难。在过去五年中，机器学习开始被应用于先进功能材料热导率的模拟、预测筛选以及材料设计中，取得了初步的研究进展。

该综述对近五年热科学领域应用机器学习研究固体热物性的突破性研究工作进行了回顾综述，其中包括杨荣贵教授、钱鑫教授结合机器学习和分子模拟的研究工作以及其它学者在高通量筛选、结构优化设计等方面的研究进展。此外，该综述对微纳尺度传热结合机器学习算法在热科学领域未来研究方向进行了权威性的展望和指引。

钱鑫，教授，杨荣贵教授团队骨干教师，本科毕业于太阳成集团tyc7111cc能源学院；博士毕业于科罗拉多大学博德校区机械工程系；并获应用科学与工程学院年度唯一的杰出博士论文奖；在麻省理工学院从事博士后研究；现已全职入职华科能源学院。钱鑫长期从事微纳尺度输运和能量转换的研究，主要研究兴趣包括：高温无序材料及复杂晶体的热输运计算、实验表征；利用热再生液流电池、热化电池等电化学方法回收低品位热源。迄今发表SCI论文30余篇，其中一作14篇，包括Science, Nature Materials, Materials Science & Engineering-R, Physical Review B, Advanced Materials, Journal of Physical Chemistry Letters等Top权威期刊，Google Scholar总被引2000余次；担任Physical Review Letters, Nature Communications, Nano Letters, Physical Review B, Applied Physics Letters等国际权威期刊审稿人。

论文链接：https://www.sciencedirect.com/science/article/pii/S0927796X21000371