(1)机器学习加速高熵陶瓷开发:本研究构建了基于随机森林的机器学习模型,结合预期提升采集函数,成功在约66万种候选成分中快速筛选出最优高熵陶瓷,大幅降低了传统“试错法”的时间与实验成本,为复杂功能材料的高效设计提供了新范式。
(2)精准调控交叉区域实现协同优化:通过机器学习指导,成功将材料组成设计在弛豫铁电体与超顺电态之间的“交叉区域”。该区域实现了纳米畴与极性纳米团簇的协同共存,同时获得了高最大极化和低剩余极化,从结构源头破解了储能密度与效率难以兼得的难题。
(3)卓越的综合储能性能与实用潜力:最优组分陶瓷实现了10.8 J·cm-3的超高可回收储能密度和86%的高效率,远超初始数据集。同时,该材料在宽温域、宽频范围内表现优异,并具有超快放电速度(40.7 ns)和高功率密度(286 MW·cm-3),在脉冲功率电容器领域展现出极强的实际应用价值。