摘要:开发能够承受高温强电场的耐热介电聚合物对于电气化至关重要。然而,平衡热稳定性和电绝缘性非常具有挑战性,因为这些性质通常呈反比关系。传统的直觉驱动的聚合物设计方法会导致缓慢的发现循环,从而限制了突破。
开发能够承受高温强电场的耐热介电聚合物对于电气化至关重要。然而,平衡热稳定性和电绝缘性非常具有挑战性,因为这些性质通常呈反比关系。传统的直觉驱动的聚合物设计方法会导致缓慢的发现循环,从而限制了突破。
2024年12月5日,劳伦斯伯克利国家实验室刘毅研究员、威斯康星大学麦迪逊分校李颖教授、美国斯克利普斯研究所K. Barry Sharpless教授在国际顶级期刊Nature Energy发表题为《Machine learning-accelerated discovery of heat-resistant polysulfates for electrostatic energy storage》的研究论文,He Li、Hongbo Zheng、Tianle Yue、Zongliang Xie为论文共同第一作者,刘毅研究员、李颖教授、K. Barry Sharpless教授为论文共同通讯作者。
刘毅,劳伦斯伯克利国家实验室研究员。1997年、2000年本硕毕业于复旦大学,硕士期间的导师为Prof. Quanrui Wang;2004年博士毕业于加州大学洛杉矶分校,师从J. Fraser Stoddart教授;随后留校从事博士后研究,导师为J. Fraser Stoddart教授;2005-2006年在斯克利普斯研究所继续接受博士后训练,师从K. Barry Sharpless教授(2001年、2022年获得诺贝尔化学奖)。2006年加入劳伦斯伯克利国家实验室。
刘毅研究员课题组致力于通过设计、合成和设计分子和聚合物成分来开发纳米结构材料,包括1)用于有机电子学的新型有机半导体的设计和合成,以及对相关电子过程的基本理解;2)具有受控结构和工程功能的多孔2D和3D框架的自组装;3)有机-无机异质材料框架作为下一代光电材料。
李颖,威斯康星大学麦迪逊分校教授。2015年博士毕业于西北大学,2015-2022年任职于康涅狄格大学;2022年加入威斯康星大学麦迪逊分校。
李颖教授目前的研究兴趣包括:多尺度建模、计算材料设计、聚合物力学和物理以及机器学习加速聚合物设计。
在这里,作者提出了一种机器学习驱动的策略,来快速识别高性能、耐热的聚合物。
作者训练值得信赖的前馈神经网络,以预测关键代理参数,并从近50,000种聚砜库中选择出候选聚合物。
通过高效且模块化的氟化硫交换点击化学,能够成功合成和验证选定的候选物。
具有9, 9-二(萘)-芴重复单元的聚砜具有出色的热弹性,并在200 °C下实现超高的放电能量密度,效率超过90%。其卓越的循环稳定性,凸显了其在苛刻的电气化环境中的应用前景。
图1:聚砜的结构设计图2:基于机器学习的热性能和电子性能预测图3:聚砜的介电性能图4:静电储能性能与可靠性综上,在这篇论文中,作者介绍了一种利用机器学习策略加速发现耐热聚砜作为电静电能量存储材料的研究。研究团队通过训练前馈神经网络,从近50,000种聚砜中筛选出高性能的耐热聚合物,成功合成并验证了候选材料,其中一种聚砜在200 °C下实现了超过90%效率的超高放电能量密度,显示出在苛刻电气化环境中应用的巨大潜力。
研究人员开发了一种高效的机器学习驱动的材料发现策略,显著提高了耐热绝缘聚合物的筛选和开发效率,对于电气化技术的进步具有重要意义。
这项研究为混合动力汽车、地下油气勘探和航空电气化等领域中需要在高温下运行的高性能电容器提供了新材料,有望推动相关技术的发展和应用。
Li, H., Zheng, H., Yue, T. et al. Machine learning-accelerated discovery of heat-resistant polysulfates for electrostatic energy storage. Nat. Energy, (2024).
来源:华算科技