Achtmal stärker als das Originalmaterial, nutzten Teams der Tsinghua-Universität und des Wuhan Institute of Technology KI, um dielektrische Materialien mit hoher Entropie zu untersuchen

Editor |. Dielektrische Materialien aus Rettichschalen können Ladungen speichern und abgeben und werden häufig in Kondensatoren, Elektronik und Stromversorgungssystemen verwendet. Aufgrund ihrer extrem hohen Leistungsdichte und schnellen Reaktionseigenschaften werden sie in Bereichen wie Hybrid-Elektrofahrzeugen, tragbaren elektronischen Geräten und Pulsstromsystemen eingesetzt, ihre Energiedichte muss jedoch noch weiter verbessert werden. Hochentropiestrategien haben sich zu einer wirksamen Methode zur Verbesserung der Energiespeicherleistung entwickelt. Die Entdeckung neuer Hochentropiesysteme in hochdimensionalen Kompositionsräumen ist jedoch eine große Herausforderung für traditionelle Versuch-und-Irrtum-Experimente. Basierend auf Phasenfeldsimulationen und begrenzten experimentellen Daten schlugen Forschungsteams der Wuhan University of Technology, der Tsinghua University und der Pennsylvania State University eine generative Lernmethode vor, um die Entdeckung von High-Level-Learning in einem unendlichen Erkundungsraum von mehr als 10^ zu beschleunigen 11Kombinationen. Entropische dielektrische Materialien (HED). Diese Arbeit bietet eine effektive und innovative Möglichkeit, dielektrische Materialien mit hoher Entropie zu entwerfen und den Versuchszyklus erheblich zu verkürzen. Die Forschung trug den Titel „Generatives Lernen ermöglichte die Entdeckung hochentropykeramischer Dielektrika für die kapazitive Energiespeicherung“ und wurde am 10. Juni 2024 in „Nature Communications“ veröffentlicht. Dielektrische Materialien können Ladungen speichern und abgeben und sind die Kernkomponente

in Kondensatoren. Aufgrund ihrer hohen Leistungsdichte und schnellen Reaktionseigenschaften werden sie häufig in Hybrid-Elektrofahrzeugen, tragbaren elektronischen Geräten und gepulsten Stromversorgungssystemen eingesetzt. Darüber hinaus sind dielektrische Materialien in modernen Elektronik- und Stromversorgungssystemen von entscheidender Bedeutung und unterstützen die Miniaturisierung

und den hocheffizienten Betrieb von Geräten. Herkömmliche dielektrische Materialien weisen jedoch Einschränkungen hinsichtlich der Energiedichte und thermischen Stabilität auf. Die Multi-Entropie-Strategie kann diese Eigenschaften durch die Einführung einer Vielzahl von Elementen erheblich verbessern. Abbildung: Phasenfeldsimulation des Einflusses der Konfigurationsentropie (Sconfig) auf die Energiespeicherleistung. (Quelle: Papier) Hochentropiekeramik verbessert die Energiespeicherleistung, indem sie verschiedene Polarisationsstrukturen mit unterschiedlichen Valenzzuständen, Ionenradien und Elektronegativitäten bildet und so die Polarisationsreaktion und Durchbruchfestigkeit verbessert. Derzeit sind herkömmliche experimentelle Methoden bei der Entdeckung neuer Systeme mit hoher Entropie ineffizient und kostspielig. Um diese Herausforderungen anzugehen, haben Forschungsteams der Tsinghua University, der Wuhan University of Technology und der Pennsylvania State University ein auf generativem Lernen basierendes Framework auf der Grundlage kleiner experimenteller Daten entwickelt, um die Entdeckung der hohen Energiedichte HED

zu beschleunigen.

Abbildung: Überblick über das generative Lernframework für Hochentropiedesign. (Quelle: Papier) Um den Einfluss der Konfigurationsentropie auf die Polarisationsreaktion zu klären, führten die Forscher Phasenfeldsimulationen durch, um die Schleife des polarisationselektrischen Feldes (P-E) und die entsprechende Energiedichte von HEDs mit unterschiedlichen Entropiewerten zu berechnen. Die Ergebnisse zeigen, dass mit zunehmendem Entropiewert der Polarisationsbereich neutraler wird und die Energiedichte deutlich zunimmt. Als experimentelles Beispiel wählte das Team Bi(Mg0,5Ti0,5)O3 (BMT) als ursprüngliche Matrix und entwarf das HED durch gleichzeitige Dotierung seiner A-Stelle und B-Stelle mit mehreren Elementen. Unter Verwendung von 77 Sätzen experimenteller Ergebnisse als Ausgangsdaten erstellten die Forscher ein generatives Lernmodell, das auf einer Kodierungs-Dekodierungs-Architektur basiert, und kombinierten Datenrekonstruktion und künstliche neuronale Netzwerke (ANN), um potenzielle optimale Kombinationen mit hoher Entropie zu finden. Abbildung: Phasen-

Struktur und Analyse der elektrischen Eigenschaften. (Quelle: Papier) Führen Sie dann eine Wahrscheinlichkeitsstichprobe für die vorhandenen kleinen Stichprobendaten durch, behalten Sie zwei Dezimalstellen für den Elementinhalt der Positionen A und B bei und setzen Sie die Summe jeder Position auf 1, um eine Möglichkeit von nahezu 10^11 Kombinationen zu konstruieren .

Raum, auf der Suche nach der optimalenKombination, die das Kriterium der hohen Entropie erfüllt. Anschließend wurden die fünf besten Kombinationen mit vorhergesagten Ergebnissen aus mehr als 2.000 Kandidatenmaterialien gescreent und fünf gezielte Experimente durchgeführt, um ihr Potenzial für die Energiespeicherleistung zu überprüfen.

Grafik: Energiespeicherleistung und Zyklenstabilität. (Quelle: Paper) Experimentelle Ergebnisse zeigen, dass der hergestellte hochentropische dielektrische Keramikfilm in Bezug auf Energiedichte und Durchschlagsfestigkeit deutlich besser ist als herkömmliche Materialien, insbesondere der C-3-Film unter dem elektrischen Feld von 5104 kV/cm Die Energiedichte erreicht 156 J/cm^3, was dem Achtfachen der ursprünglichen BMT (~18 J/cm^3)-Folie entspricht. Darüber hinaus untersuchte die Studie auch die Auswirkungen unterschiedlicher Glühtemperaturen auf die Leistung von Hochentropiefilmen und stellte fest, dass geeignete Glühtemperaturen die Energiespeicherleistung des Materials weiter verbessern können. Zusammenfassend lässt sich sagen, dass hochentropische Filme nicht nur ein hervorragendes Ermüdungsverhalten sowie Temperatur- und Frequenzstabilität aufweisen, sondern auch großes Potenzial für weit verbreitete Anwendungen in Energiespeicherkondensatoren aufweisen. Basierend auf einem auf maschinellem Lernen basierenden Modell nutzte das Team sehr spärliche experimentelle Daten, um effizient die gewünschten hochentropischen Verbundwerkstoffe mit hohen Energiespeichereigenschaften zu finden. Die Methode ermöglicht es Forschern außerdem, den gesamten experimentellen Zyklus deutlich zu verkürzen und eröffnet neue Möglichkeiten für die Gestaltung von Materialsystemen mit komplexen Komponenten. Papierlink: https://www.nature.com/articles/s41467-024-49170-8

Das obige ist der detaillierte Inhalt vonAchtmal stärker als das Originalmaterial, nutzten Teams der Tsinghua-Universität und des Wuhan Institute of Technology KI, um dielektrische Materialien mit hoher Entropie zu untersuchen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!