10月12日消息，据材料科学资讯平台AZoM报道，一项近期发表于Nature Electronics的研究提出了机器学习（ML）指导的策略，用于设计温度稳定、高介电常数的氧化物介电材料，服务于电子元器件微型化。

该研究通过原子尺度特征与介电性能的关联，指导钨青铜（tungsten bronze）陶瓷的化学共取代优化，最终开发出介电常数185、损耗角正切0.0005、电容温度系数（TCC）在±30ppm/K以内的新材料。这一组合直击电容器设计中的核心权衡：微型化要求高相对介电常数（κ）、低介电损耗（tanδ）与近零温度系数三者兼得，但传统材料往往顾此失彼。

研究指出传统介电材料的局限：铁电陶瓷如钛酸钡介电常数高，但畴壁运动带来显著损耗；顺电材料如钛酸锶损耗较低，但介电常数中等且温度系数为负；线性介电体如二氧化硅损耗低、热稳定性好，但介电常数过低限制了微型化应用。

方法层面，团队构建了分层机器学习框架：初始数据集包含250个材料样本、24个介电常数相关特征，以及162个样本、24个温度系数特征，对应分别约6000条和3888条数据。经数据清洗与相关性分析后保留6个关键全局特征建模；采用十折交叉验证选择超参数，最终模型在70%数据上训练、30%数据上测试并跨越1000次随机划分。其中随机森林回归对室温介电常数的预测决定系数R²超过0.80。

这项工作展示了"机器学习引导+化学共取代"范式在功能陶瓷设计中的实用性：以可解释模型串联成分-结构-性能关系，缩短实验试错路径。所得材料面向射频模块、集成电路和电信系统的小型化高性能电容器，对5G/6G通信、滤波器与去耦电容等应用具有直接产业意义。 （来源：AZoM）