近日，美国能源部劳伦斯伯克利国家实验室使用机器学习技术发现了性能破纪录的薄膜电容材料。传统寻找聚合物需要通过反复的实验，研究人员通过训练机器学习模型筛选近50000种聚合物，获得了3种耐高温和强电场、储能密度高和易于合成的聚合物。相关研究成果2024年12月5日发表于《自然·能源》。
薄膜电容是电动汽车、光伏发电和风力发电等领域的关键元件，用于调节各种电力系统中的电能质量，如平滑电压波动。由于聚合物重量轻、柔韧性好且在外加电场下的耐久性强，非常适合用作薄膜电容器的绝缘材料。然而，在许多电力系统应用中，聚合物耐受高温的能力有限。高温会降低聚合物的绝缘性能并导致其降解。
为了加速发现，研究团队开发并训练了一组被称为前馈神经网络的机器学习模型，以筛选近50,000种聚合物的最佳特性组合，包括承受高温和强电场的能力，高能量存储密度和易于合成。这一模型确定了三种特别有前途的聚合物。
研究人员利用一种被称为“点击化学”（又译为“链接化学”）的强大技术合成了这三种聚合物，这种技术可以快速有效地将分子构建块连接在一起，形成高质量的产品。在伯克利实验室的分子铸造厂，研究人员用这些聚合物制造了薄膜电容器，然后对聚合物和电容器进行了评估。
研究小组发现它们具有优异的电学和热学性能。由其中一种聚合物制成的电容器在耐热性、绝缘性能、能量密度和效率方面表现出创纪录的优势。对这些电容器进行的额外测试表明，它们具有优越的材料质量、运行稳定性和耐用性。
研究团队正在考虑后续研究方向，一个想法是设计机器学习模型，提供更多关于聚合物结构如何影响其性能的见解。另一个潜在的研究领域是开发生成式人工智能模型，可以通过训练来设计高性能聚合物。
