机器学习辅助的高 CaBi4Ti4O15的构成设计 - - 基于超高电的陶
Yangyang Zhou1,2, Chun Guo1,2, Zhiyong Zhou1
1State Key Laboratory of High Performance Ceramics, Shanghai Institute of Ceramics, Chinese Academy of Sciences, 588 Heshuo Road, Jiading District, Shanghai 201899, China.
ACS applied materials & interfaces
|January 9, 2026
概括
机器学习加速了发现高陶的发现,以增强压电特性. 一种新的组合实现了创纪录的压电系数,具有出色的热稳定性,非常适合高温应用.
科学领域:
- 材料科学 材料科学 材料科学
- 固态物理 固态物理
- 陶工程 陶工程 陶工程
背景情况:
- 高率策略增强了高 bismuth 层结构铁电的压电性质.
- 庞大的组成空间挑战了传统的材料发现方法.
研究的目的:
- 通过使用机器学习 (ML) 辅助设计策略,加快发现高性能,高 CaBi4Ti4O15陶.
- 确定关键的元素组合,以优化压电特性.
主要方法:
- 特性工程确定了七个影响压电系数 (d33) 的关键元素.
- 一个极端梯度增强回归模型预测了22,500个候选组合的d33值.
- 机器学习指导了针对高 CaBi4Ti4O15陶组合物的合成.
主要成果:
- 最佳组合 (x = 0.3) 实现了28.1 pC/N的最高d33记录.
- 该材料表现出了出色的温度稳定性,在500°C火后,它保留了93%的性能.
- 高引起的化学乱和晶格扭曲协同增强了压电性能.
结论:
- ML有效地导航复杂的组合-性能关系在高的压陶.
- 这种方法为设计用于高温应用的具有卓越综合性能的压电材料提供了可行的途径.
