遍历1.5亿种材料，AI筛选出两款MLCC新材料

研究人员从448篇论文中构建出包含1202条记录的数据集，筛选了约1.5亿种虚拟组分，旨在发掘可用于未来片式多层陶瓷电容器（MLCC）以及汽车电子的潜在新材料。研发新型电子材料，意味着要在近乎无穷多的化学组合中开展搜寻。首尔国立大学的研究团队借助人工智能简化了这项筛选工作，整合数百篇科学论文中的零散数据，以此筛选出高温条件下性能稳定的无铅介电材料。

该研究由首尔国立大学工程学院材料科学与工程系Ho Won Jang教授带领。研究人员整合已发表文献提取的信息，结合物理约束机器学习，设计出全新的无铅介电组分。本论文第一作者为直博生Kwanwoo Song，主导整个项目；直博生Youngmin Kim、博士后Jaehyun Kim也参与了该项研究。

介电材料属于绝缘材料，可阻隔电流直接导通，同时能够储存电荷，是智能手机、电动汽车以及各类电子产品中片式多层陶瓷电容器（MLCC）的核心材料。介电常数越高，同等尺寸元器件能够储存的电能就越多；但实用化材料还必须保证升温之后性能不发生劣化。

为筛选出有应用前景的组分，研究人员将多模态文献挖掘技术与物理约束机器学习相结合。多模态文献挖掘可以从文本、表格、图像中提取有效信息。这套逆向设计思路先确定目标性能指标，再反向推导出有望满足指标的材料组分。

研究人员从448篇科学论文中整理得到1202条介电性能数据记录，接着对包含约1.5亿种潜在组分的虚拟化学空间开展筛选，将候选范围缩小至37种。其中两种组分完成合成与实验测试，二者均具备高介电常数，同时高温稳定性优异。该研究成果发表于《自然‑通讯》。

从左至右：首尔国立大学工程学院直博生Kwanwoo Song（现任职三星电机）；直博生Youngmin Kim；博士后Jaehyun Kim；Ho Won Jang教授。

试错法难以应对海量组分可能性

随着电动汽车、电力电子、航空航天设备越来越多地在高温环境下工作，市场对耐热介电材料的需求持续上涨。弛豫铁电材料极具发展潜力，这类材料电学性能随温度变化相对平缓，有希望同时实现高介电常数与宽温域稳定工作。

但即便是在无铅材料体系内，可供选用的元素与配比组合数量极其庞大，传统试错研发模式成本高昂、效率低下。另外，原始数据本身也存在难题：有效测量数据分散在各类文献的文本、表格、图片当中，不同论文采用的温度、频率、样品参数等实验条件各不相同，这些不一致性导致原始文献数据无法直接用于机器学习建模。

AI将1.5亿种组分精简至37种候选材料

为解决上述问题，研究人员搭建机器学习框架，把不同文献的信息整合为一套标准化数据集，同时引入物理约束，排除现实中难以稳定存在的组分。

研究人员利用大语言模型，从科技论文的文本与表格提取材料组分、制备工艺条件；将论文图表转换为数值，获取随温度变化的介电性能数据。

通过以上数据源，从448篇论文汇总得到1202条记录，涵盖材料组分、制备工艺、介电性能。研究人员新增22项物理描述符，包含元素组成、微观结构相关参数，让不同来源文献的数据具备可比性。

（左）本研究开发的材料与过往文献报道无铅介电材料性能对比。星号分别代表不含锡的参照材料SNBT、锡摩尔占比1% 的SNBTS1以及锡摩尔占比2% 的SNBTS2。越靠近图右上角的材料，介电常数越高、温度稳定性越好。（右）本研究新材料与典型介电材料钛酸钡（BaTiO₃）的介电常数‑温度特性对比。钛酸钡介电常数在125℃附近发生剧烈突变；而SNBTS1、SNBTS2在很宽的温度区间内介电常数保持相对稳定。

随后，研究融合30套独立训练的机器学习模型，同步预测介电常数、温度稳定性相关三项关键指标。系统还会评估各个模型预测结果的一致性，优先选择预测置信度更高的组分。对约1.5亿种虚拟组分施加预设性能指标与理化约束之后，仅剩下37种候选材料。研究人员在候选数量最多的组分体系内微调元素配比，选出两种配方开展实验验证。

两种候选材料达到高温性能标准

测试的两组样品分别掺杂1 mol%与2mol%的锡（Sn）。室温条件下，二者介电常数分别达到3422和3307。少量掺杂锡实现了性能平衡：在介电常数没有明显下降的前提下，温度稳定性得到提升。对比当前MLCC广泛使用的钛酸钡，新开发的组分可以在更宽温度范围内维持高介电常数。

图注：无铅介电材料温度‑性能曲线。左图为掺1mol% 锡的SNBTS1；右图为掺2mol% 锡的SNBTS2。彩色实线为实验实测结果，黑色虚线代表机器学习预测结果。两种材料均可在宽温域维持高介电常数（储存电能能力），模型预测趋势和实验结果高度吻合；下方曲线代表电能损耗大小。来源：《自然‑通讯》

两款样品均满足片式多层陶瓷电容器国际X5R、X6R、X7R高温稳定性标准，介电常数在同体系材料中也处于第一梯队。

名词释义：X5R、X6R、X7R：MLCC介电材料温度稳定性分级。一般指在‑55℃至对应上限温度（依次为85℃、105℃、125℃）区间，介电常数变化维持在25℃基准值的 ±15% 以内。

锡掺杂提升稳定性的内在机理

为搞清楚少量锡掺杂改善性能的原因，研究人员把机器学习识别出的关键影响因素，结合压电力显微镜、拉曼光谱、原子分辨电镜测试结果开展比对分析。

分析表明，适度锡掺杂会扩大晶体骨架结构，在原子尺度上增大电学非均匀性，正是上述变化提升了材料的温度稳定性。

除了这两种经过实验验证的材料之外，该研究提供一套新思路：把散落在各类科技文献中的信息整理为数据集，以此指导新材料设计。研究团队表示，这套方案同样可以拓展到功能氧化物、薄膜，以及其他有效数据分散在大量文献中的材料体系。

本研究测试的无铅介电材料，未来有望用于耐高温片式多层陶瓷电容器，以及电动汽车、电力电子、航空航天领域电子元器件。

Ho Won Jang教授表示：“这项研究的意义不只是依靠机器学习做性能预测，而是把分散在众多论文中的信息整合为训练数据集，同时兼顾物理规律与多模型预测一致性，层层筛选，最终得到可以实际合成制备的候选材料。”

他补充道：“我们希望本研究提出的多模态文献挖掘结合物理约束机器学习的策略，不只局限于介电材料，还能用于其他功能氧化物、薄膜类新材料发掘 —— 这类材料的有效数据往往散落在海量文献与不同格式资料中，十分需要系统化整合。”

论文第一作者Kwanwoo Song是直博生，主导整套工作，从文献数据集构建、机器学习模型开发，到候选材料筛选、实验验证均由其牵头。目前他仍在利用机器学习搜寻新型电子材料，包含无铅介电、MLCC材料，以及半导体晶体管的氧化物沟道材料，持续开展高性能电子与介电材料研发。

Ho Won Jang教授团队此前已经将AI应用于另一项材料发现课题。在博士后Jaehyun Kim作为第一作者的研究中，团队发掘并实验验证了一种基于钨单原子的非贵金属电解水制绿氢催化剂，该成果同样发表于《自然‑通讯》。