潜在空间中的主动学习实现铁电陶瓷用于能量存储的快速逆向设计

更小更智能的电容器，惠及日常科技

从电动汽车到笔记本充电器，许多现代设备都依赖于能够迅速存储和释放电能的元件。如今电容器中的陶瓷已能较好地完成这项工作，但要同时做到体积小且高效仍是一项顽固的挑战。本研究展示了如何将基于物理的模型与人工智能结合，加速发现可在更小、更安全的器件中装入更多能量的新型陶瓷材料。

这些陶瓷为何重要

铁电陶瓷是一类特殊材料，在施加电压时其内部电极化取向会发生变化。这种可切换的行为使它们能非常快速地存储和释放电能，因此成为电力电子、脉冲系统和便携设备的关键部件。然而，它们天然“记忆”先前极化状态的倾向会以热量形式浪费能量，并限制可用的存储能量。工程师试图通过将其转变为所谓的弛豫子陶瓷来控制这种特性，在这种材料中内部区域变得更小且耦合较弱，从而降低能量损失，同时保持高存储能力。

教计算机探索隐含的可能性

作者们解决了材料设计中的一个核心问题：混合化学成分和调节内部结构的方式多种多样，逐一实验验证耗时过长。相反，他们训练了一个生成式机器学习模型，让模型学习配方和微观电区模式如何共同影响性能。该模型将复杂的极化和化学模式压缩到一个低维的“潜在”空间，这是一种地图，地图上相近的点代表具有相似内部行为的材料。在这个空间内，模型可以快速构想出物理上合理的新域结构，而无需对每个候选材料都运行极为昂贵的物理仿真。

让主动学习引导搜索

一旦建立了这张地图，团队便使用主动学习策略来指导下一步在实验室中尝试哪些组成。与其仅仅预测每个候选材料的表现，他们构建了替代模型，这些模型同时估计预期的能量存储性能及预测的不确定性。随后，一个遗传优化算法在潜在空间中搜索那些在适中电场下可能同时具备高储能和高效率的组合，同时避开模型不确定性高的区域。这种逆向设计方法从期望的特性出发，反向寻找有前景的配方，而不是盲目扫描整个成分空间。

从计算机建议到真实材料

研究者关注的是一种无铅陶瓷体系，以钠铋钛酸盐为基础，掺入少量钛酸钡和钛酸锶。在框架的指导下，他们仅进行了四轮实验。在每一轮中，他们合成了几种计算机推荐的配方，测量其性能，并将结果反馈到模型中。随着迭代进行，材料的内部结构从较大的铁电区演变为更细小、更无序的纳米域，这些域更容易切换。某一特定配方通过精心平衡三种成分，在相对较低的工作电场下表现出既高能量密度又高效率的优异性能。

对未来器件的意义

本研究发现的最佳陶瓷在适度电场下每立方厘米约存储2.3焦耳的能量，效率约为80%，在更强电场下能量密度更高，并在多次充放电循环中保持可靠。对于日常科技，这意味着有望实现更小、运行更凉爽且能应对快速脉冲和高负荷条件的电容器。更广泛地说，这项工作表明，把详尽的物理洞见与现代机器学习以闭环方式耦合，可以大大缩短从理论到可用材料的路径，为设计下一代能量存储陶瓷及其他材料开辟了切实可行的途径。

引用: 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

关键词: 铁电陶瓷, 能量存储, 弛豫子材料, 机器学习设计, 主动学习