比原始材料强8倍，清华、武汉理工团队用AI筛选高熵电介质材料

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

编辑|萝卜皮电介质材料能够储存和释放电荷，广泛应用于电容器、电子和电力系统中。它们因其极高功率密度和快速响应特性，被用于混合动力电动汽车、便携式电子设备和脉冲电力系统等领域，但其能量密度仍需进一步提高。高熵策略已成为提高储能性能的有效方法，然而，在高维组成空间中发现新的高熵系统对于传统的试错实验来说是一个极大的挑战。武汉理工大学、清华大学、宾夕法尼亚州立大学的研究团队基于相场模拟和有限的实验数据，提出了一种生成学习方法，用于加速在超过10^11种组合的无限探索空间中发现高熵介电材料（HED）。该工作为设计高熵介电材料提供了一种有效且创新的途径，大幅减少了实验周期。研究以「Generativelearningfacilitateddiscoveryofhigh-entropyceramicdielectricsforcapacitiveenergystorage」为题，于2024年6月10日发布在《NatureCommunications》。

电介质材料能够储存和释放电荷，是电容器中的核心组件。它们以其高功率密度和快速响应特性，广泛应用于混合动力电动汽车、便携式电子设备和脉冲电力系统中。此外，电介质材料在现代电子和电力系统中至关重要，支持设备的微型化和高效能运行。然而，传统电介质材料在能量密度和热稳定性上存在局限，多熵策略通过引入多种元素，能显著提升这些性能。

图示：配置熵（Sconfig）对储能性能影响的相场模拟。（来源：论文）高熵陶瓷通过形成具有不同价态、离子半径和电负性的多样化极化结构，改善了极化响应和击穿强度，从而提高了储能性能。目前，传统的实验方法在发现新高熵系统时效率低下且成本高昂。为了应对这些挑战，清华大学、武汉理工大学、宾夕法尼亚州立大学的研究团队基于小实验数据构建了一个基于生成学习的框架，以加速高能量密度HED的发现。

图示：高熵设计的生成学习框架概述。（来源：论文）为了弄清构型熵对极化响应的影响，研究人员进行了相场模拟，以计算具有不同熵值的HED的极化-电场(P-E)环路和相应的能量密度。结果表明，随着熵值增加，极化区域变得更加无章，能量密度显著提升。作为实验示例，该团队选择Bi(Mg0.5Ti0.5)O3（BMT）作为原始基质，通过对其A位和B位同时进行多元素掺杂来设计HED。以77组实验结果作为初始数据，研究人员建立了一个基于编码-解码架构的生成学习模型，并结合数据重建和人工神经网络(ANN)来寻找潜在的最优高熵组合。

图示：相结构和电性能分析。（来源：论文）然后对已有的小样本数据进行概率抽样，将A、B位元素含量保留两位小数，并将各位置之和设为1，构建出一个接近10^11种组合的可能空间，寻找满足高熵标准的最优组合。然后，从2000多个候选材料中筛选出预测结果排名前五的组合，并进行了五组针对性的实验，验证它们在储能性能方面的潜力。

图示：储能性能和循环稳定性。（来源：论文）实验结果显示，所制备的高熵陶瓷电介质薄膜在能量密度和击穿强度方面均显著优于传统材料，特别是C-3薄膜在5104 kV/cm的电场下能量密度达到156 J/cm^3，是原始BMT（~18 J/cm^3）薄膜的八倍。此外，研究还探讨了不同退火温度对高熵薄膜性能的影响，发现适宜的退火温度能进一步提升材料的储能性能。总而言之，高熵薄膜不仅具有优异的疲劳性能以及温度和频率稳定性，而且在储能电容器中也显示出广泛应用的巨大潜力。基于机器学习驱动的模式，该团队利用非常稀疏的实验数据有效地找到具有高储能性能的所需高熵复合材料。该方法还使研究人员显著缩短了整体实验周期，并为设计具有复杂组件的材料系统开辟了新的途径论文链接：https://www.nature.com/articles/s41467-024-49170-8