在电气化领域，高性能介电聚合物的研究一直是科学家们关注的焦点。传统材料如聚丙烯在高温下性能急剧下降，而高玻璃化转变温度的材料也因热激发电荷传输而性能退化。面对这一挑战，一项结合机器学习与实验验证的新研究为耐热聚砜材料的发现开辟了新路径。
劳伦斯伯克利国家实验室、威斯康星大学麦迪逊分校及美国斯克利普斯研究所的研究团队，共同提出了一种高效的工作流程。他们利用前馈神经网络模型，从5万种聚砜候选材料中筛选出高性能材料，并通过硫氟交换化学实现快速合成与验证。这项研究成果以“机器学习加速耐热聚砜用于静电储能的发现”为题，发表在《Nature Energy》上。
该研究发现了一种名为P6的聚砜材料，其在200°C高温下展现出卓越的储能密度和能量利用效率，同时保持优异的介电稳定性。P6的玻璃化转变温度超过300°C，具备低损耗特性，并可制备成柔性薄膜，适用于电动汽车、航空航天等苛刻环境。
研究团队通过机器学习模型预测材料的玻璃化转变温度和带隙，结合化学空间分析与性能筛选，从近50,000种候选材料中筛选出6种性能优异的聚砜。其中，P6凭借其卓越的热稳定性和电性能脱颖而出。这一工作流程整合了机器学习预测和点击化学的高效特性，显著提升了材料发现效率。
图2展示了利用机器学习对聚砜候选材料进行性能筛选的过程。通过t-SNE降维方法，将高维的化学结构数据映射到二维平面，以可视化候选材料的分布特性。灰色点代表训练数据，蓝色点代表尚未筛选的候选材料，红色点代表通过优化选择的重点聚砜材料。模型在性能预测中的准确性得到了验证，Tg和Eg的拟合度分别达到R² = 0.99和R² = 0.92。
P6不仅在高温下保持稳定的介电常数和低损耗，其击穿强度也远超商业材料，展现出优异的电绝缘性能和可靠性。图3展示了P6在高温条件下的介电性能和热稳定性表现，与商业介电聚合物如Kapton PI和PEI相比，P6的优势显著。
P6在高温和高电场条件下的储能性能及循环稳定性也十分出色。在200°C和200 MV/m电场下，P6的储能密度高达6.37 J/cm³，充放电效率超过90%。在更高电场下，P6仍能维持高储能能力和效率，且性能稳定。在10万次循环测试中，P6的储能性能下降幅度不足0.5%。
P6的优异性能使其成为下一代高温储能电容器的理想候选材料，为电动汽车和航空电子等高温苛刻应用场景提供了可靠解决方案。这项研究不仅展示了数据驱动材料发现方法的巨大潜力，也为更多高性能材料的探索与应用提供了方向。
