Original Title: Machine learning assisted composition design of high-entropy Pb-free relaxors with giant energy-storage
Journal: Nature Communications (2025)
Authors: Xingcheng Wang, Ji Zhang, Xingshuai Ma, Huajie Luo, Laijun Liu, Hui Liu & Jun Chen
Affiliations: School of Materials Science and Engineering, Beijing University of Chemical Technology; School of Chemistry and Environmental Science, Hebei University; Key Laboratory of Advanced Materials of Ministry of Education, Beijing University of Chemical Technology
Paper Source: Parsed by MinerU · Presentation generated by Aliya (COSMOS)
机器学习辅助设计无铅高熵弛豫铁电体的巨能存储性能研究
Nature Communications · Published online: 01 February 2025 · doi:10.1038/s41467-025-56443-3
介电储能电容器是先进脉冲功率系统的核心组件,广泛应用于电动汽车、便携式电子设备和电网系统。下一代高能量密度(Wrec
高熵体系组分空间庞大(百万级组合),人工试错效率极低。传统BNT基陶瓷的储能性能受限于晶粒粗化和极化饱和。
利用有限实验数据构建回归模型,通过关键描述符(价电子距离、电负性等)指导元素选择,从海量组分空间中精准筛选候选材料。
核心突破:本文首次将机器学习与高熵策略结合用于BNT基弛豫铁电体设计。模型预测的四个候选组分经实验验证后,最优样品A实现了Wrec
BNT((Bi₀.₅Na₀.₅)TiO₃)基固溶体系因其较大的极化强度和优异的储能特性成为研究热点。高熵策略通过引入至少五种不同离子,产生化学无序和抑制晶粒粗化,有利于提升击穿强度EB。
该研究的创新之处在于:传统方法依赖试错式实验筛选(每个组分需合成测试),而机器学习模型能在百万级候选中快速定位最优组合。通过121个已报道的BNT基储能陶瓷数据集训练,模型学习到的描述符关系可直接指导新体系的组成设计,大幅缩短研发周期。
研究团队基于121个已报道的BNT基储能陶瓷数据集,构建了随机森林(Random Forest)回归模型。特征工程包含三个主要步骤:描述符提取、冗余消除和最优子集选择。
通过递归特征消除法确定11个最优描述符。随机森林模型经25次训练后平均重要性排序显示,三个最关键描述符为:A位的价电子距离(valence electron distance)、B位的Allen电负性和Ghosh电负性。
物理意义:A位元素价电子距离越小 → 外层电子更靠近离子核心 → 电场下电荷积累减少;B位低电负性元素更易形成强离子键 → 结构稳定性高、击穿强度大。La、Ca、Sr(A位)和Mg、Hf(B位)因满足上述条件被选为候选掺杂元素。
模型筛选过程包含元素选择约束和比例约束两步:A位La ≤ 0.15、Sr ≤ 0.20;B位Ta ≤ 0.08、Mg ≤ 0.10、Hf ≤ 0.10。最终从百万级组分空间中预测出四个高Wrec
四个候选样品经XRD验证均为纯钙钛矿相,低场下均表现出弛豫铁电体的近线性P-E回线。通过对比Egmgm
数据集包含121个已报道的BNT基储能陶瓷实验结果。每个样本标注了组成、极化强度PmrBrec
训练过程中采用交叉验证(5折)评估模型性能,最终R² = 0.84,表明模型对储能密度的预测能力较强。特征重要性分析显示价电子距离和电负性是最关键的输入变量,这与高熵陶瓷的物理机制高度吻合。
对最优样品A进行系统的显微结构分析。扫描电镜(SEM)和HAADF-STEM表征揭示其独特的微观组织特征。
A位由Bi/Na/La/Sr四种离子混合,B位由Ti/Ta/Mg/Hf四种离子混合。原子级STEM成像显示:R、T、O三种对称性共存的多晶格簇形成弱耦合的极化纳米区(PNRs),尺寸为1–3 nm。
高熵效应机制:不同半径/价态/铁电活性的离子占据A/B位 → 构型熵增加 → 极化各向异性降低、重取向能垒减小 → 电场下快速极化响应 + 低磁滞(H < 10%)。
B位位移矢量的RGB方向映射显示多中间方向的矢量分布,对应于高构型熵带来的均匀组分分布和极低极化各向异性。这一结构特征是获得近线性P-E回线和高击穿强度的关键。
样品A的晶粒尺寸仅0.8 μm,是四种高熵样品中最小的(B/C/D分别为1.2/1.5/1.8 μm)。超细晶粒带来三重优势:(1) 晶界密度增加 → 电阻率升高 → 漏电流降低;(2) 晶粒尺寸接近极化纳米区尺度 → PNRs不受晶界钉扎影响;(3) 缺陷浓度降低 → 机电击穿抗力增强。
这种微观结构直接解释了EB
样品A在10 kV mm⁻¹外场下获得PmrBrec
EBB
EBBrec
样品A在10 kV mm⁻¹外场下的P-E回线呈现典型弛豫铁电体的近线性特征。对比其他高熵样品(B/C/D),样品A的磁滞环面积最小,说明极化损耗最低。计算得到:PmrB
Wrecrecin
在60 kV mm⁻¹(约EB
温度稳定性:室温至140°C范围内Wrec
频率稳定性:1–200 Hz频率下Wrec
循环耐久性:10¹至10⁶次循环后Wrec
在50 kV mm⁻¹下,90%饱和储能密度于27.3 ns内释放(t₀.₉ = 27.3 ns),对应WDD
综合评估:该材料同时具备高储能密度(20.7 J cm⁻³)、高效率(86%)和快速放电能力(27 ns),在温度/频率/循环稳定性方面表现优异,是无铅储能陶瓷的理想候选。 图4d-e展示了过阻尼和欠阻尼两种放电条件下的性能差异。样品A表现出典型的欠阻尼特性(振荡衰减),有利于在脉冲功率系统中快速释放能量。t₀.₉ = 27.3 ns意味着90%储能密度可在极短时间内释放,适合需要极高功率密度的应用场景。 综合来看,该材料在极端环境下的稳定性优异——温度/频率/循环数变化均不显著影响储能性能,同时具备快速放电能力。这使得它在电动汽车、脉冲功率系统等应用场景中具有极高的实用价值。 下面用大白话把这篇论文到底在说什么、核心逻辑是什么,跟你捋一遍。 这篇讲的是用AI(机器学习)来设计一种新型陶瓷材料——高熵无铅弛豫体,这种材料能量存储密度超高。核心观点是:传统方法靠人工试错找配方,现在让AI算出最佳成分组合。 以前配陶瓷配方像做菜——凭感觉加盐加糖;现在用AI算出每种元素加多少克,能量存储最高。高熵陶瓷就是把所有调料混在一起做一道菜。 机器学习模型预测成分比例 → 实验验证储能性能。亮点是展示了AI辅助材料设计的完整流程。 完整参考文献详见原文。DOI: 10.1038/s41467-025-56443-3稳定性与放电性能
极端环境稳定性
快速放电性能
过阻尼与欠阻尼对比
🗣️ 通俗解读
这篇文章到底在说啥?
核心逻辑捋一遍
打个比方
实验方法说白了就是
[精选]参考文献