机器学习引导的热锚定极性异质结构发现：面向恶劣环境电容器 | 可供购买

《Energy Advances》：Machine-Learning-Guided Discovery of Thermally Anchored Polar Heterostructures for Harsh-Environment CapacitorsAvailable to Purchase

　　将介电电容器集成到先进功率电子领域需要其在高温条件下可靠运行。然而，可恢复能量密度与效率之间的权衡限制了现有材料的发展，因为热涨落会破坏纳米级极性结构并促进具有滞回特性的铁电态。本文采用机器学习引导的策略，识别出一种无铅组分，该组分表现出热锚定极性异质结构，从而缓解热退化现象。基于结构描述符的预测模型确定0.6Bi?.??Na?.??Ba?.??TiO?-0.4Bi?.??Sr?.??Hf?.??Ti?.??O?为最优组分。原子尺度表征揭示了由四方相、菱方相及类立方相纳米区域组成的异质极性态。局部晶格畸变、含铋的键合环境以及相界面电场和弹性场被认为协同抑制了热驱动的极性区域合并过程，同时保持了局部偶极子的动态响应能力。这种异质极性态与更高的击穿强度、更低的滞回以及稳定的高温储能性能密切相关。由此制备的多层陶瓷电容器在1160 kV cm?1下实现了24.12 J cm?3的可恢复能量密度和95%的效率。在20至200 °C温度范围内，器件在±7.8%的波动范围内维持约15.5 J cm?3的可恢复能量密度，并在±6.8%的波动范围内保持95.6%的效率。这种热锚定结构框架为高温应用中的储能介质材料提供了一条数据驱动的研究路径。视觉摘要将介电电容器集成到先进功率电子领域需要其在高温条件下可靠运行。然而，可恢复能量密度与效率之间的权衡限制了现有材料的发展，因为...? 2026 作者。由英国皇家化学会出版2026年作者您必须申请许可才能在其他出版物中使用本文材料；请参阅我们关于在《RSC许可》下发表的文章中重用材料的指南。