机构名称：
¥ 1.0
介电常数 (ϵ) 是用于储能电容器、微电子设备和高压绝缘体的聚合物电介质设计的关键参数。然而，灵活地发现具有理想ϵ 的聚合物电介质仍然是一个挑战，特别是对于高能、高温应用而言。为了加速聚合物电介质的发现，我们开发了一种基于机器学习 (ML) 的模型，可以即时准确地预测聚合物的频率相关 ϵ，频率范围跨越 15 个数量级。我们的模型使用一组包含 1210 个不同频率下实验测量的 ϵ 值的数据集、先进的聚合物指纹方案和高斯过程回归算法进行训练。开发的 ML 模型用于预测 60 – 10 15 Hz 频率范围内可合成的 11,000 种候选聚合物的 ϵ，并在整个过程中恢复正确的逆 ϵ 与频率趋势。此外，我们使用 ϵ 和另一个之前研究过的关键设计属性（玻璃化转变温度，T g ）作为筛选标准，提出了五种具有所需 ϵ 和 T g 的代表性聚合物，用于电容器和微电子应用。这项工作展示了使用替代 ML 模型成功快速地发现满足特定应用的单一或多个属性要求的聚合物。
使用机器学习预测聚合物的频率相关介电常数
主要关键词
相关文件推荐
