薄膜电容器是电气化和可再生能源技术的关键部件。据外媒报道，美国能源部劳伦斯伯克利国家实验室（Berkeley Lab）和多家合作机构成功演示了一种机器学习技术，以加速发现薄膜电容器材料。该技术可用于筛选化学结构库（拥有近50000种化学结构），以识别具有破纪录性能的化合物。
（图片来源：伯克利实验室）
威斯康星大学麦迪逊分校（University of Wisconsin–Madison）、斯克里普斯研究所（Scripps Research Institute）、加州大学伯克利分校（University of California, Berkeley）和南密西西比大学（University of Southern Mississippi）的其他合作人员贡献了机器学习、化学合成和材料表征方面的专业知识。
伯克利实验室研究人员Yi Liu表示：“为了实现经济高效、可靠的可再生能源技术，人们需要性能比现有材料更好的电容器材料。这项突破性筛选技术将有助于找到这些稀缺材料。”
现在，高温、高功率应用对薄膜电容器的需求迅速增长，如电动汽车、电动航空、电力电子和航空航天等。另外，薄膜电容器也是逆变器中必不可少的元件，这些逆变器可将太阳能和风能发电转换为电网使用的交流电。
薄膜电容器需要耐热材料
静电薄膜电容器由夹在两个导电金属片之间的绝缘材料组成。电池利用化学反应来长期储存和释放能量，而电容器则利用施加的电场来更快地充放电能。薄膜电容器可用于调节各种电力系统中的电能质量，例如抑制纹波电流并平滑电压波动，以确保稳定、安全和可靠的运行状态。
聚合物（具有重复化学单元的大分子）非常适合用作薄膜电容器中的绝缘材料，因为它们重量轻、柔韧性好，并且在施加的电场下具有耐久性。然而，在许多电力系统应用中，聚合物的耐高温能力有限。高温会降低聚合物的绝缘性能，并导致其性能下降。
将49700种聚合物缩小至三种
以往，研究人员通过反复试验来寻找高性能聚合物，即每次合成几种候选聚合物，然后表征其特性。但伯克利实验室博士后研究员He Li表示：“这种方法太慢了，无法从数十万种可能性中找到富有前景的分子。”
为了加速发现过程，该团队开发并训练了一套机器学习模型，即前馈神经网络，以筛选拥有近50000种聚合物的结构库，从而获得最佳性能组合，比如耐高温和强电场、高储能密度和易于合成等。这些模型确定了三种特别有前景的聚合物。
斯克里普斯研究所的研究人员利用强大的“点击化学（click chemistry）”技术合成了这三种聚合物。该技术可以快速高效地将分子构建块连接在一起，以形成高质量产品。
在伯克利实验室分子铸造厂（Molecular Foundry），研究人员用这些聚合物制造了薄膜电容器，然后对聚合物和电容器进行评估。该团队发现，它们具有出色的电气性能和热性能。使用其中一种聚合物制成的电容器，表现出创纪录的耐热性、绝缘性能、能量密度和效率组合（高效电容器在充放电时浪费的能量非常少）。额外测试表明，这些电容器具有卓越的材料质量、操作稳定性和耐用性。
制作更好的模型
该团队正在考虑若干后续研究路线。研究人员表示，一个想法是设计机器学习模型，以便更深入地了解聚合物的结构如何影响其性能。另一潜在研究领域是开发生成式人工智能模型，训练这些模型来设计高性能聚合物，而无需筛选库。
斯克里普斯研究所WM Keck化学教授Sharpless表示：“我们的人工智能分析迅速确定了聚合物设计细节中的一些关键变量，预计这些变量将大大改善聚硫酸盐膜的屏蔽性能。这些最早的机器学习预测因子是通过实验得出的，可用于改善电容器。”
该研究得到了美国能源部科学办公室的支持。
