诺奖教授最新Nat Energy: 机器学习辅助快速筛选耐热介电聚合物

一、【科学背景】

介电聚合物具有轻便和耐高压的优势，因此在静电薄膜电容器中至关重要。然而，这些材料在极端热环境下的耐受性较差。因此，开发能够在高温下承受强电场的耐热介电聚合物对于实现电气化至关重要。然而，平衡热稳定性和电绝缘性非常困难，因为这两种性质往往呈现出负相关的关系。

通过不断尝试组合的方法效率较低且成本较高。为了更快地发现更优质的聚合物，将机器学习（ML）与实验验证相结合来探索材料组合。在介电聚合物领域，利用ML的计算显示出在发现高温聚酰亚胺和预测介电聚合物的击穿强度方面的潜力。然而，现实中这一领域的结构多样性和效率仍然有限，亟需更全面的方法。

二、【创新成果】

近日，劳伦斯伯克利国家实验室Yi Liu、美国斯克利普斯研究所K. Barry Sharpless教授、威斯康星大学麦迪逊分校Ying Li等人提出了一种基于机器学习的策略，以快速识别高性能的耐热聚合物。通过训练一个可靠的神经网络系统，以预测关键的参数，并从近50,000种聚硫酸酯的库中筛选聚合物候选者。相关成果以“Machine learning-accelerated discovery of heat-resistant polysulfates for electrostatic energy storage”为题发表在《Nature Energy》上。

图1聚硫酸酯的结构设计© 2024 Springer Nature Limited

图2机器学习对热性能和电子参数的预测© 2024 Springer Nature Limited

图3聚硫酸酯的介电性能© 2024 Springer Nature Limited

图4 静电能量存储特性及其可靠性 © 2024 Springer Nature Limited

三、【科学启迪】

该研究通过利用先进的ML技术，对聚硫酸酯的主链结构进行了全面筛选。这种方法促进了分组比较和定量评估，揭示了特定结构特征对硫酸盐连接聚合物的关键性能指标（如带隙和玻璃转变温度）的影响。研究发现，聚硫酸酯P6展现出卓越的热韧性，具有显著的玻璃转变温度、较大的带隙和显著的介电常数。研究结果标志着在利用ML辅助方法发现和优化介电聚合物方面的重大进展。

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