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)

Nature Communications · 2025 海濑号文件汇报系统(GAY)
Review Article

Machine learning assisted composition design of high-entropy Pb-free relaxors with giant energy-storage

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

Xingcheng Wang, Ji Zhang, Xingshuai Ma, Huajie Luo, Laijun Liu, Hui Liu & Jun Chen (2025)

Nature Communications · Published online: 01 February 2025 · doi:10.1038/s41467-025-56443-3

📌 核心要点

研究概述

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

传统方法局限

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。

机器学习新范式

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。

机器学习驱动的组成设计

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。

图1a:ABO₃钙钛矿结构中的元素组合示意
Fig. 1a:BNT基高熵陶瓷的ABO₃钙钛矿结构中,A位(Bi/Na/La/Sr)和B位(Ti/Ta/Mg/Hf)元素的分布示意。
图1c:Pearson相关矩阵
Fig. 1c:60个描述符间的Pearson相关性矩阵,高相关(|r| > 0.95)的描述符被归组并保留最具代表性的一个。

关键描述符选择

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

图1g:重要描述符对比
Fig. 1g:A位和B位不同元素的价电子距离、Allen电负性和Ghosh电负性对比,La/Sr/Ca(A位)和Mg/Hf/Ta(B位)落在高储能组分区间。

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

模型训练细节

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。

微观结构与极化构型

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。

图2:样品A的微观结构
Fig. 2:a) SEM表面形貌,晶粒尺寸约0.8 μm(四种高熵样品中最小);b) EDX元素面分布均匀;c-h) HAADF-STEM原子级成像和B位位移矢量分析。

高熵效应与极化各向异性降低

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。

晶粒细化与击穿增强

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。

图2b:EDX面分布
Fig. 2b:EDX元素面扫描显示Bi/Na/La/Sr/Ti/Ta/Mg/Hf六种元素的均匀分布,无偏聚现象。

这种微观结构直接解释了EB

储能性能评估

样品A在10 kV mm⁻¹外场下获得PmrBrec

图3:储能性能
Fig. 3:a)不同电场下单极P-E回线;b)能量密度和效率随外加电场的变化曲线,EB

EBB

与现有纪录对比

  • BNT基最高纪录:16.2 J cm⁻³(文献[57])
  • 高熵陶瓷最高纪录:13.8 J cm⁻³、η = 82.4%(文献[36])
  • 本文样品A:20.7 J cm⁻³、η = 86%

ML预测偏差

  • EB
  • WrecB

EBBrec

P-E回线特征分析

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

图3a:P-E回线对比
Fig. 3a:四种高熵样品在10 kV mm⁻¹下的P-E回线对比,样品A(红色)磁滞环面积最小。

Wrecrecin

稳定性与放电性能

在60 kV mm⁻¹(约EB

图4:稳定性与放电性能
Fig. 4:a-c)温度/频率/循环数对储能密度的影响;d-e)过阻尼和欠阻尼系统的放电曲线;f-g)WDDD

极端环境稳定性

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

快速放电性能

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。

过阻尼与欠阻尼对比

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。

图4d-e:过阻尼与欠阻尼放电曲线
Fig. 4d-e:过阻尼(左)和欠阻尼(右)条件下的放电曲线对比,样品A呈现欠阻尼特性。

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。

🗣️ 通俗解读

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。

这篇文章到底在说啥?

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。

核心逻辑捋一遍

需要新型储能材料 → 高熵陶瓷(多种元素混在一起)性能更好 → 用AI预测不同成分比例的效果 → 找到能量存储密度最高的组合 → 实验验证

打个比方

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。

实验方法说白了就是

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。

💡 💡 AI算出高熵陶瓷的最佳配方,能量存储密度超高——比传统试错快多了。

[精选]参考文献

  1. Shu, L. et al. Partitioning polar-slush strategy in relaxors leads to large energy-storage capability. Science, 385, 204–209 (2024).
  2. Zhang, M. et al. Ultrahigh energy storage in high-entropy ceramic capacitors with polymorphic relaxor phase. Science, 384, 185–189 (2024).
  3. Wang, G. et al. Electroceramics for High-Energy Density Capacitors: Current Status and Future Perspectives. Chem. Rev., 121, 6124–6172 (2021).
  4. Qi, H., Chen, L., Deng, S. & Chen, J. High-entropy ferroelectric materials. Nat. Rev. Mater., 8, 355–356 (2023).
  5. Chen, L. et al. Giant energy-storage density with ultrahigh efficiency in lead-free relaxors via high-entropy design. Nat Commun, 13, 3089 (2022).
  6. Ma, B. et al. An interpretable machine learning strategy for pursuing high piezoelectric coefficients in KNN-based ceramics. Npj Comput. Mater., 9, 229 (2023).
  7. Liu, H. et al. Chemical Design of Pb-Free Relaxors for Giant Capacitive Energy Storage. J. Am. Chem. Soc., 145, 11764–11772 (2023).

完整参考文献详见原文。DOI: 10.1038/s41467-025-56443-3

本文档由 AI 基于同行评审文献自动生成,仅供研究和教育用途。如需引用请以原始出版物为准。