《Journal of Energy Storage》：Artificial intelligence techniques in energy-storage polymer-based dielectrics: A review
编辑推荐：
本文综述了人工智能在聚合物基介电材料中的应用，包括机器学习优化设计、预测性能及指导实验，探讨了AI如何加速材料开发并解决当前挑战，为智能材料设计提供新视角。
董月|朱和邦|袁启新|滕宇|姚远航|张文超|王晓明|徐航|冯宇|程晓星
教育部工程电介质及其应用重点实验室，哈尔滨科技大学，哈尔滨，150080，中国
摘要
人工智能（AI）技术正在彻底改变基于聚合物的电介质储能领域，其高效设计和性能优化的潜力受到了广泛关注。AI技术的常见应用形式包括机器学习（ML）算法和一些新兴的预测学习方法。本综述总结了基于聚合物的电介质的储能机制以及机器学习算法在储能聚合物电介质中的应用进展，重点关注数据集学习与预测、数据驱动的结构设计以及实验指导。最后，本文总结了AI的影响，并探讨了未来发展的关键挑战。该综述旨在为材料、能源与AI技术融合下的储能聚合物电介质结构优化提供新的视角。
引言
目前，基于聚合物的电介质在电容储能技术中发挥着关键作用，通过电场诱导的偶极子翻转实现能量存储。由于其出色的功率输出、快速响应和稳定的电气性能，基于聚合物的电介质被广泛应用于智能电网、新能源设备和航空航天电子领域，支持了多种高性能应用[1]、[2]、[3]。然而，现有的基于聚合物的电介质在性能上仍存在明显不足，特别是在能量密度和环境适应性方面，难以满足便携式设备和电力系统对高效紧凑型储能解决方案的迫切需求[4]、[5]、[6]。因此，突破这些限制，开发兼具高性能和稳定性的新型电介质已成为研究人员和工程师关注的焦点。
提高基于聚合物的电介质的性能依赖于电介质微观结构的设计与优化。然而，微观结构优化仍然具有挑战性。单体、填料和复合架构的选择极大地扩展了设计空间，使得基于直觉的设计和反复试验变得非常耗时。近年来，计算模拟技术的进步为这一领域带来了新的希望，例如量子力学计算和分子动力学分析，为材料研究提供了更系统的途径[7]、[8]、[9]。尽管如此，这些方法在处理复杂系统时仍受限于高昂的计算资源成本和模型精度不足的问题，难以完全满足实际应用的各种需求。
AI的出现显著推动了基于聚合物的电介质的创新。利用其数据驱动的能力，AI技术能够从大量数据中提取关键模式，从而提高设计效率[10]。例如，机器学习在性能预测和过程优化方面展现出独特潜力，而生成式AI可以直接设计全新的聚合物结构，拓展了设计边界[11]、[12]。研究表明，AI可以加速高性能电介质材料的开发。例如，经过机器学习优化的纳米复合材料可以实现更高的能量密度，生成式AI可以设计出耐高温的聚合物，提供传统方法无法实现的解决方案[13]、[14]、[15]、[16]。如图1所示，电介质研究中的AI已经从经验驱动探索发展到数据驱动设计。它始于传统的经验阶段，此时配方和工艺的调整依赖于电介质和击穿测试，但效率低下且依赖于经验。为了减轻这一负担，基础模拟阶段使用经典分子动力学（MD）来研究链构象、堆积和界面相互作用，但仍存在尺度差异和理想化模型的问题。随着数据量的增加，机器学习预测阶段利用实验数据、文献和模拟结果构建基于描述符的模型来预测介电常数和击穿相关指标，但泛化能力取决于数据质量。最近，深度学习（DL）和高通量筛选阶段将神经网络与高通量计算和实验相结合，加速了发现和优化过程，但需要提高数据的一致性和可解释性。这一进展标志着该领域研究与发展范式的深刻转变，从经验性试验转向智能化的加速发现。
在本综述中，概述了AI在储能聚合物电介质中的前沿应用。首先回顾了基于聚合物的电介质的理论基础，并讨论了AI的基本特征和技术原理。随后，重点关注AI驱动的创新实践，系统分析了预测建模、新材料设计以及AI驱动的自主实验等关键方向。最后，分析了当前面临的挑战并展望了未来趋势，为高效储能材料的智能发展提供了技术参考和战略方向。为了清晰地展示这些内容，图2提供了AI在储能聚合物电介质中应用的示意图，突出了三个主要方向：电介质性质预测、聚合物电介质设计和自主实验。
部分摘录
用于储能的基于聚合物的电介质
基于聚合物的电介质因其快速充放电和高功率密度而被广泛应用于电容储能[17]、[18]、[19]、[20]、[21]、[22]。然而，大多数聚合物电介质的相对较低的能量密度限制了进一步的微型化和集成，因此需要更深入地理解对数据驱动设计至关重要的控制机制和瓶颈。
基于聚合物的电介质的储能依赖于极化
数据质量：可靠性范式
数据质量会显著影响模型的预测准确性和可靠性，对于聚合物电介质而言这一问题尤为关键。许多电介质“标签”对测试协议和操作条件非常敏感。例如，击穿强度具有内在的统计分散性，通常采用基于Weibull的分析方法进行处理[31]。它还随电极面积和样品厚度而变化[32]。因此，不同数据集之间可能会出现显著差异
AI用于电介质性质预测
基于聚合物的复合材料由于其高功率密度和快速充放电能力，成为脉冲功率设备的重要储能介质，能量密度由公式（4）定义。然而，纯聚合物通常具有较低的ε_r和E_b。添加无机填料可以提高U，但仅通过实验难以确定微观结构与性质之间的关系。AI结合高通量模拟和机器学习，能够高效地对多变量耦合进行建模。
总结与展望
在本综述中，我们系统探讨了AI在储能聚合物电介质领域的深远影响，揭示了其从理论基础到实际创新的变革潜力。在不同尺度上，AI支持了储能聚合物电介质的性质预测、候选材料筛选和数据驱动的优化。这些工具还与高通量计算和自动化实验表现出日益增强的协同作用。
CRediT作者贡献声明
董月：撰写——审稿与编辑，撰写——初稿，监督，调查，形式分析，概念化。朱和邦：撰写——审稿与编辑，资源获取，调查，形式分析。袁启新：调查，概念化。滕宇：概念化。姚远航：形式分析。张文超：形式分析。王晓明：调查。徐航：调查。冯宇：撰写——审稿与编辑，资金获取。程晓星：监督，形式分析
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
致谢
本研究得到了国家自然科学基金（编号：52407020）、黑龙江省自然科学基金（编号：LH2024E087）、中国博士后科学基金（编号：2024MD753932）、黑龙江省高校基础研究青年人才计划（编号：YQJH2023259）、黑龙江省高校基础研究基金（编号：2023-KYYWF-0114）以及河套深港科技创新合作项目的支持
