近期，韩国首尔大学科研团队在“Nature Communications”发表成果，其利用“多模态文献挖掘+物理约束机器学习+逆向设计”（AI工具）筛选出适用于高温电子元件的新型无铅介质材料，利用低含量锡Sn调控取代钛酸钡中的Ti含量，经实验验证兼顾了高介电常数以及宽温稳定性能。

论文链接：https://www.nature.com/articles/s41467-026-74376-3

基于语言模型和机器学习筛选节点材料的流程

直接说结果：(Sr_0.48Na_0.26Bi_0.26)(Ti_1−xSn_x)O₃ (0 ≤x ≤ 0.02)，x = 0.01 和 0.02 的构型（即Sn取代Ti的比例为1mol%和2mol%）满足了预定义的介电稳定性设计目标，在25℃和100Hz下，两种材料的介电常数分别达到3422和3307，对应介电损耗低至0.0178和0.0120。测试两种材料冻结温度分别为−11.9℃和−13.0℃，意味着在室温及更高温度下仍处于可利用的弛豫状态。

钛酸钡BaTiO₃是关键的MLCC介质材料。超出一定范围的温度变化会导致介电常数波动，影响器件性能稳定。本次团队设定目标，介电常数大于3300，稳定性指数大于0.08，并同时满足X5R、X6R、X7R的高温侧±15%稳定性要求，对应85℃、105℃和125℃三个评价温度点。AI得出结论的思路是，通过Sn改变局部晶体结构和极化状态，使材料从具有较强长程铁电有序的状态转向更均匀、分散的弛豫极化状态。

该研究团队从448篇论文中提取1202条介电性能数据，并将论文中的文字、表格和介电温度曲线统一数字化；随后加入离子半径、化学键、电负性、电子结构及微结构等物理描述符，通过30个机器学习模型进行集成预测，最终把超过1.5亿种虚拟组合逐步压缩到37个候选，再进行实验验证。而本次研究成果的核心并非找到的两种新型介电材料，而是展示了一种以目标性能定义搜索空间，再利用AI寻找组成的MLCC介质开发模式。

编译整理 YUXI