武汉理工大学青年教师沈忠慧在《自然·能源》发表“AI for Materials”新进展

近日，武汉理工大学材料科学与工程国际化示范学院（材料与微电子学院）青年教师沈忠慧团队在人工智能驱动高温储能聚合物电介质材料研究中取得新进展，相关成果以“High-Temperature Polymer Composite Capacitors with High Energy Density Designed via Machine Learning”为题发表在《自然·能源》（Nature Energy）。论文的第一作者为清华大学材料学院博士后杨敏铮和武汉理工大学博士生万超凡，武汉理工大学沈忠慧教授、清华大学王训教授和沈洋教授为该论文的共同通讯作者。

在新能源技术迅猛发展的时代，尤其在新能源汽车、高压直流输电、电磁装备等高温高场应用场景中，提升聚合物薄膜电容器的高温储能性能成为研发核心。在聚合物基体中引入宽带隙（Eg）、高电子亲合能（Ea）的小分子填料，是提升其高温储能密度的有效策略。然而，搜寻兼具宽Eg和高Ea的小分子是一项费时费力的挑战。

为突破上述困境，沈忠慧团队引入生成式机器学习策略，实现从“性能需求”到“分子结构”的逆向设计路径。不同于传统判别式模型仅做“筛选”，生成模型还可以在给定目标性能的前提下，“从零生成”具有潜在性能的全新分子结构，有效跳出已有数据库的限制。该模型以等变图神经网络（EGNN）为核心，融合了分子结构的局部（化学键邻域）与全局（三维几何构型）特征，通过噪声扰动与时间步展开的扩散生成框架，实现高效、精确的分子构造，大幅提升新材料的发现效率。

基于实验所需的小分子性能指标，该模型成功生成了多个满足条件的候选分子，并最终与清华大学合作，开展定向合成并验证了两种新型分子（DNBDC与TCT），其材料及器件性能均达到或优于设定目标值。这些小分子不仅在电子能级结构上精准符合模型预测，还在实际器件中展现出卓越的绝缘性与电荷抑制能力，实现了高温储能性能的大幅提升。本工作搭建的生成式学习框架也可推广用于各类功能复合材料的按需逆向设计。（通讯员：曹明）