機器學習“萬里挑一”識別高性能化合物

美國能源部勞倫斯伯克利國家實驗室與多家合作機構共同演示了一種機器學習技術，旨在發現適用于薄膜電容器的新型材料。這一進展對于電氣化和可再生能源技術來說至關重要，因為薄膜電容器是這些領域中不可或缺的組件。研究團隊使用這項技術從接近5萬種化學結構中篩選出了一種性能破紀錄的化合物。研究成果發表在最新的《自然·能源》雜志上。

盡管電池在可再生能源應用中占據主導地位，但靜電薄膜電容器同樣扮演關鍵角色。這些設備由兩片導電金屬之間的絕緣材料構成，能夠利用施加的電場快速充放電，提供比電池更快的能量響應。薄膜電容器用于調節電力系統中的電能質量，例如通過抑制紋波電流和平滑電壓波動，確保系統的穩定、安全及可靠運行。

聚合物作為薄膜電容器的理想絕緣材料，因其重量輕、柔韌性好以及在電場下的耐久性而備受青睞。不過，它們在高溫環境下通常表現欠佳，這會削弱其絕緣性并影響整體效能。傳統上，研究人員采用試錯法尋找高性能聚合物，每次僅能合成和評估少量候選材料。

為了加快探索過程，團隊開發并訓練了一套基于前饋神經網絡的機器學習模型，用以評估包含近5萬種聚合物的庫，以找到那些既耐高溫，又能在強電場下保持高儲能密度且易于合成的材料。這些模型識別出了3種特別有前景的聚合物。

隨后，團隊采用“點擊化學”技術來高效合成這3種聚合物。這種技術允許分子結構塊快速連接形成高質量產品。

在伯克利實驗室的分子鑄造廠，他們利用這些新材料制備了薄膜電容器，并對其進行了詳細評估。結果顯示，這些聚合物及其制成的電容器表現出色，特別是其中一種聚合物，它所制成的電容器展示了前所未有的耐熱性、絕緣性能、能量密度和效率。進一步的測試也證實了這些電容器擁有卓越的材料品質、操作穩定性和耐用性。