諾獎教授最新Nat Energy: 機器學習輔助快速篩選耐熱介電聚合物

一、【科學背景】

介電聚合物具有輕便和耐高壓的優勢，因此在靜電薄膜電容器中至關重要。然而，這些材料在極端熱環境下的耐受性較差。因此，開發能夠在高溫下承受強電場的耐熱介電聚合物對于實現電氣化至關重要。然而，平衡熱穩定性和電絕緣性非常困難，因為這兩種性質往往呈現出負相關的關系。

通過不斷嘗試組合的方法效率較低且成本較高。為了更快地發現更優質的聚合物，將機器學習（ML）與實驗驗證相結合來探索材料組合。在介電聚合物領域，利用ML的計算顯示出在發現高溫聚酰亞胺和預測介電聚合物的擊穿強度方面的潛力。然而，現實中這一領域的結構多樣性和效率仍然有限，亟需更全面的方法。

二、【創新成果】

近日，勞倫斯伯克利國家實驗室Yi Liu、美國斯克利普斯研究所K. Barry Sharpless教授、威斯康星大學麥迪遜分校Ying Li等人提出了一種基于機器學習的策略，以快速識別高性能的耐熱聚合物。通過訓練一個可靠的神經網絡系統，以預測關鍵的參數，并從近50,000種聚硫酸酯的庫中篩選聚合物候選者。相關成果以“Machine learning-accelerated discovery of heat-resistant polysulfates for electrostatic energy storage”為題發表在《Nature Energy》上。

圖1 聚硫酸酯的結構設計 ? 2024 Springer Nature Limited

圖2 機器學習對熱性能和電子參數的預測 ? 2024 Springer Nature Limited

圖3 聚硫酸酯的介電性能 ? 2024 Springer Nature Limited

圖4 靜電能量存儲特性及其可靠性 ? 2024 Springer Nature Limited

三、【科學啟迪】

該研究通過利用先進的ML技術，對聚硫酸酯的主鏈結構進行了全面篩選。這種方法促進了分組比較和定量評估，揭示了特定結構特征對硫酸鹽連接聚合物的關鍵性能指標（如帶隙和玻璃轉變溫度）的影響。研究發現，聚硫酸酯P6展現出卓越的熱韌性，具有顯著的玻璃轉變溫度、較大的帶隙和顯著的介電常數。研究結果標志著在利用ML輔助方法發現和優化介電聚合物方面的重大進展。

原文信息：Li, H., Zheng, H., Yue, T. et al. Machine learning-accelerated discovery of heat-resistant polysulfates for electrostatic energy storage. Nat Energy (2024).

https://doi.org/10.1038/s41560-024-01670-z