机器学习“万里挑一”识别高性能化合物

美国能源部劳伦斯伯克利国家实验室与多家合作机构共同演示了一种机器学习技术，旨在发现适用于薄膜电容器的新型材料。这一进展对于电气化和可再生能源技术来说至关重要，因为薄膜电容器是这些领域中不可或缺的组件。研究团队使用这项技术从接近5万种化学结构中筛选出了一种性能破纪录的化合物。研究成果发表在最新的《自然·能源》杂志上。

尽管电池在可再生能源应用中占据主导地位，但静电薄膜电容器同样扮演关键角色。这些设备由两片导电金属之间的绝缘材料构成，能够利用施加的电场快速充放电，提供比电池更快的能量响应。薄膜电容器用于调节电力系统中的电能质量，例如通过抑制纹波电流和平滑电压波动，确保系统的稳定、安全及可靠运行。

聚合物作为薄膜电容器的理想绝缘材料，因其重量轻、柔韧性好以及在电场下的耐久性而备受青睐。不过，它们在高温环境下通常表现欠佳，这会削弱其绝缘性并影响整体效能。传统上，研究人员采用试错法寻找高性能聚合物，每次仅能合成和评估少量候选材料。

为了加快探索过程，团队开发并训练了一套基于前馈神经网络的机器学习模型，用以评估包含近5万种聚合物的库，以找到那些既耐高温，又能在强电场下保持高储能密度且易于合成的材料。这些模型识别出了3种特别有前景的聚合物。

随后，团队采用“点击化学”技术来高效合成这3种聚合物。这种技术允许分子结构块快速连接形成高质量产品。

在伯克利实验室的分子铸造厂，他们利用这些新材料制备了薄膜电容器，并对其进行了详细评估。结果显示，这些聚合物及其制成的电容器表现出色，特别是其中一种聚合物，它所制成的电容器展示了前所未有的耐热性、绝缘性能、能量密度和效率。进一步的测试也证实了这些电容器拥有卓越的材料品质、操作稳定性和耐用性。