AI驅動的文獻挖掘加速熱穩定無鉛介電材料的發現
人工智慧分析了散布在數百篇研究論文中的資料，發現了新的無鉛介電材料，即使在高溫下也能維持穩定的性能。這項研究提出了一種新方法，能夠將材料發現從試錯過程轉變為資料驅動的過程。
首爾大學工學院宣布，由材料科學與工程系張鎬元教授領導的研究團隊，開發了一種結合從科學文獻中萃取的資料與物理資訊機器學習的技術，用以設計無鉛介電材料。整合碩博士生宋寬宇擔任第一作者並主導整體研究，整合碩博士生金英敏和博士後研究員金宰鉉則參與了這項合作研究。
介電材料是防止電流直接流動同時儲存電荷的絕緣材料，它們是智慧型手機、電動車和其他電子裝置中使用的多層陶瓷電容器（MLCC）的關鍵材料。介電常數越高，相同尺寸的元件所能儲存的電能就越多。然而，為了在電子裝置中實際應用，介電性能也必須在高溫下保持穩定。
研究團隊結合多模態文獻挖掘（自動從科學論文的文字、表格和圖表中萃取分散資訊）與物理資訊機器學習，開發出一種逆向設計方法，首先找出具有高機率滿足目標性能需求的成分。在從448篇論文中建構出1,202筆介電性能記錄的資料集後，研究人員探索了約1.5億種虛擬成分空間，並將其縮減至37個候選材料。隨後他們合成其中兩種成分，並透過實驗確認了兩者皆具備高介電常數和優異的高溫穩定性。
研究結果發表於Nature Communications期刊，連結。
介電材料中的搜尋問題
隨著更多電子裝置在高溫下運作，包括電動車、電力電子和航太設備，能夠在溫度波動下維持穩定性能的介電材料的重要性日益增加。特別是弛豫型鐵電體，其電響應隨溫度變化相對緩慢，具有將高介電常數與寬廣溫度範圍穩定性結合的潛力。
然而，即使將搜尋限制在無鉛成分，由於元素和混合比例的可能組合極多，潛在候選材料的數量幾乎是無限的，這使得試錯探索既昂貴又耗時。此外，相關資料分散在不同論文的文字、表格和圖表中，而測量條件如溫度、頻率和樣品特性在各研究間也有所不同，使得這些資料難以直接用於機器學習訓練。
為了解決這些挑戰，研究人員開發了一個機器學習框架，能夠將分散在多篇論文中的資訊整合成統一格式，同時納入物理定律來篩選實際可能存在的材料。團隊使用大型語言模型來整理研究論文文字和表格中的成分與製程條件，同時將圖表轉換為數值資料以萃取溫度依賴的介電性能。
從1.5億縮減至37
此過程產生了涵蓋448篇論文中成分、製程條件和介電性能的1,202筆記錄。研究人員接著納入22個物理描述符，包括元素成分和微結構，將分散在不同出版品中的資訊整合成統一的訓練資料集。接下來，他們結合30個獨立訓練的機器學習模型，同時預測與介電常數和溫度穩定性相關的三項關鍵指標。該框架還設計用來評估模型預測之間的一致性，從而優先考慮具有較高預測信心的候選材料。
在依序對約1.5億種虛擬成分應用預定義的性能目標和物理化學限制後，團隊將搜尋空間縮減至37個候選材料。研究人員接著在剩餘候選材料數量最多的成分家族內微調成分比例，並選出兩種成分進行實驗測試。
實驗顯示，這兩個樣品分別取代1 mol%和2 mol%的錫（Sn），在室溫下分別展現3,422和3,307的高介電常數。少量的Sn取代產生了有利的權衡，在不大幅降低介電常數的情況下改善了溫度穩定性。
與目前廣泛用於多層陶瓷電容器的鈦酸鋇（BaTiO₃）相比，新開發的材料在更寬廣的溫度範圍內也能更一致地維持高介電常數。兩個樣品都滿足國際X5R、X6R和X7R多層陶瓷電容器的高溫穩定性要求，並在與先前報導的相同成分家族材料資料相比時，記錄了最高的介電常數之一。
X5R、X6R和X7R：用於多層陶瓷電容器的介電材料溫度穩定性分類，一般表示介電常數在25°C時的值從−55°C起至85°C、105°C和125°C是否保持在±15%以內。
錫如何改善穩定性
研究人員將機器學習模型決策洞見與壓電力顯微鏡、拉曼光譜和原子解析度電子顯微鏡的結果相結合。他們的分析揭示了少量Sn如何擴大晶體框架並在原子尺度增加電異質性，從而提升溫度穩定性的潛在機制。
這項研究的重要性在於它展示了一種研究方法，使用AI整合並分析散布在科學文獻中的資料，然後將這些資料應用於新材料的設計。研究人員相信，此方法也可應用於開發各種其他材料，例如功能性氧化物和薄膜，其相關資料分散在眾多出版品中。本研究驗證的無鉛介電材料預計將應用於開發高溫多層陶瓷電容器，以及用於電動車、電力電子和航太系統的電子元件。
張教授表示：「這項研究的重要性不僅僅在於用機器學習預測性能，而在於將分散在多篇論文中的資訊整合成訓練資料集，然後同時考慮物理定律和模型預測之間的一致性，將搜尋範圍縮小到實際可以合成的候選材料。」
「我們希望本研究提出的策略——結合多模態文獻挖掘與物理資訊機器學習——能夠超越介電材料，擴展到其他功能性氧化物和薄膜材料的發現，這些材料的資料分散在眾多論文和格式中，因此需要系統性的整合。」
超越一類材料
身為研究第一作者的整合碩博士生宋寬宇主導了整個研究過程，從建構文獻衍生資料集、開發機器學習模型，到篩選候選材料和進行實驗驗證。他目前正在進行基於機器學習的新材料發現研究，將其工作擴展到各種電子材料，包括新的無鉛介電和MLCC成分，以及半導體電晶體的氧化物通道材料。基於這項研究經驗，他計劃繼續進行高性能電子和介電材料的研發。
與此同時，張教授的研究團隊先前曾使用AI發現並實驗驗證一種基於鎢單原子的非貴金屬水電解催化劑，用於綠氫生產，那項由博士後研究員金宰鉉擔任第一作者的研究也發表於Nature Communications，連結。
Who’s behind this story?
Gaby Clark
MA in English, copy editor since 2021 with experience in higher education and health content. Dedicated to trustworthy science news.
Full profile →
Robert Egan
Bachelor’s in mathematical biology, Master’s in creative writing. Well-traveled with unique perspectives on science and language.
Full profile →
Citation:
AI-driven literature mining speeds discovery of heat-stable lead-free dielectric materials (2026, August 20)
retrieved 20 August 2026
from https://phys.org/news/2026-08-ai-driven-literature-discovery-stable.html
This document is subject to copyright. Apart from any fair dealing for the purpose of private study or research, no
part may be reproduced without the written permission. The content is provided for information purposes only.