Активное обучение в латентных пространствах ускоряет обратный дизайн ферроэлектрической керамики для накопления энергии

Меньше и умнее: конденсаторы для повседневной техники

От электромобилей до зарядных устройств для ноутбуков — многие современные устройства полагаются на компоненты, которые быстро накапливают и отдают электрическую энергию. Керамические материалы в современных конденсаторах уже хорошо справляются с этой задачей, но совместить компактность и высокую эффективность получается нелегко. В этом исследовании показано, как сочетание физически обоснованных моделей с искусственным интеллектом ускоряет поиск новых керамических материалов, которые позволяют упаковать больше энергии в более компактные и безопасные устройства.

Почему эти керамики важны

Ферроэлектрическая керамика — это особые материалы, чья внутренняя электрическая поляризация меняется при приложении напряжения. Такая переключаемая природа позволяет им очень быстро накапливать и отдавать энергию, поэтому они являются ключевыми элементами силовой электроники, импульсных систем и портативных устройств. Однако склонность этих материалов «запоминать» часть предыдущей поляризации приводит к потерям энергии в виде тепла и ограничивает полезную энергоёмкость. Инженеры стремятся ослабить этот эффект, переводя материалы в так называемые релаксорные состояния: внутренняя структура дробится на мелкие и слабо связанные участки, что снижает потери энергии при сохранении высокой ёмкости хранения.

Обучая компьютер исследовать скрытые возможности

Авторы решают основную проблему в дизайне материалов: существует бесчисленное множество сочетаний химических ингредиентов и настроек внутренней структуры, и проверять их по одному слишком медленно. Вместо этого они обучают генеративную модель машинного обучения понимать, как рецепт и микроскопическая картина электрических доменов совместно влияют на свойства. Модель сжимает сложные паттерны поляризации и состава в низкоразмерное «латентное» пространство — некую карту, где близкие точки соответствуют материалам с похожим внутренним поведением. В этом пространстве модель может быстро «придумывать» новые реалистичные доменные структуры, без необходимости запускать дорогостоящие физические симуляции для каждого варианта.

Пусть активное обучение направляет поиск

После построения этой карты команда использует стратегию активного обучения, чтобы решать, какие составы попробовать в следующем эксперименте. Вместо простого прогноза поведения каждого кандидата они строят суррогатные модели, оценивающие и ожидаемую энергоёмкость, и неопределённость этих предсказаний. Генетический алгоритм оптимизации затем ищет в латентном пространстве комбинации, которые с высокой вероятностью дадут большую сохранённую энергию и высокую эффективность при умеренном электрическом поле, при этом избегая областей с высокой неопределённостью модели. Такой подход обратного проектирования начинает с желаемых свойств и идёт назад к перспективным рецептурам, вместо того чтобы вслепую сканировать весь диапазон составов.

От компьютерных предложений к реальным материалам

Исследователи сосредоточились на свинцосвободной семействе керамик на основе бизмут-натриевого титаната, легированного малыми добавками титаната бария и титаната стронция. Руководствуясь своей системой, они провели всего четыре цикла экспериментов. В каждом раунде синтезировали несколько рецептур, предложенных компьютером, измеряли их свойства и возвращали результаты в модели. В ходе этих итераций внутренняя структура материалов эволюционировала от больших ферроэлектрических областей к более мелким, разупорядоченным нанодоменам, которые легче переключаются. Одна состав указанного соотношения трёх компонентов выделился, достигнув одновременно высокой энергоёмкости и высокой эффективности при относительно низком рабочем поле.

Что это означает для будущих устройств

Лучший обнаруженный образец в этом исследовании хранит примерно 2.3 джоуля энергии на кубический сантиметр при примерно 80-процентной эффективности при умеренном электрическом поле, и даже большую энергию при более высоких полях, оставаясь надёжным при множественных циклах заряд-разряд. Для повседневной техники это означает потенциал для более компактных, менее нагревающихся конденсаторов, способных выдерживать быстрые импульсы и сложные режимы питания. В более широком смысле работа демонстрирует, что сочетание детального физического понимания с современным машинным обучением в замкнутом цикле может значительно сократить путь от теории до рабочих материалов, открывая практический маршрут к разработке керамик следующего поколения для накопления энергии и не только.

Цитирование: Xi, Z., Wang, Z., Guo, C. et al. Active learning in latent spaces enables rapid inverse design of ferroelectric ceramics for energy storage. Nat Commun 17, 4281 (2026). https://doi.org/10.1038/s41467-026-70792-7

Ключевые слова: ферроэлектрическая керамика, накопление энергии, релаксорные материалы, проектирование с помощью машинного обучения, активное обучение