近日，我院羅能能教授課題組在利用機器學習指導無鉛反鐵電儲能陶瓷設計領域取得重要進展，相關研究成果以“Accelerated design of AgNbO3-based ceramics with high energy storage performance via machine learning”為題，發表在材料領域期刊Journal of Materials Chemistry C上，并被評選為熱點文章。化學化工學院博士生馬力和北京科技大學博士生韓飛為該論文的共同第一作者，我院羅能能教授、北京科技大學白洋教授為共同通訊作者。
電介質電容器因其高功率密度、良好的可靠性和超快的充放電速率，在大功率儲能系統中起着重要的作用。随着電子技術與設備的快速發展，脈沖功率型電介質電容器迫切要求向小型化和集成化方向發展，而制約其發展的主要因素就是目前的電介質材料的儲能密度低。目前高性能電介質材料的研發大多數是根據現有的經驗和物理知識，在大量實驗的基礎上獲得。然而，這些工作在巨大的成分空間中僅占據很小的部分，使得新材料的發現猶如大海撈針一般。針對上述問題，課題組提出采用機器學習這一新型的科學範例來簡化與指導實驗，以實現材料的快速篩選和性能優化。
課題組以铌酸銀基反鐵電材料為典型代表進行機器人學習預測。首先，通過總結并篩選已報道的铌酸銀基反鐵電材料，以儲能密度為目标獲得初始的數據集，其中包含124個樣本。然後，選定與反鐵電材料的儲能密度密切相關的三個參數（EN-MB、Vec/Z和 Rdce）作為描述符來評價儲能密度。進一步将數據集劃分為75%的訓練集和25%的測試集，同時基于7種不同的疊代模型對訓練集和測試集進行疊代，選出最優的疊代模型為支持向量回歸的徑向基函數（SVR.rbf）。最後，用選定的疊代模型對（Ag1−x−3y-4z-3m-3n-3tNaxLayCezNdmSmnTbt）(Nb1-sTas)O3成分的儲能密度進行預測，最終從491520種可能的化合物中篩選出儲能密度前十的數據進行排列，發現它們的基本成分為（Ag0.94Re0.02）(Nb0.6Ta0.4)O3。基于電負性和離子半徑等因素，選定Re為Sm并做實驗研究，實驗結果為7.0 J/cm3，與機器學習預測值6.76±0.55 J/cm3基本一緻。本研究将加速電介質材料儲能性能的預測和開發。
本研究得到了廣西傑出青年基金、廣西重大人才、國家自然科學基金等項目的支持。
一審一校：羅能能、劉娜
二審二校：王欣鵬
三審三校：沈大強
