材料搜索难题遇上具备物理感知的 AI 方法
东北大学的研究人员表示，他们开发出一种 AI 方法，能够快速筛选数千种材料的介电性能，同时在准确性上优于更传统的预测方法。在发表于 Physical Review X 的一项研究中，团队报告称，该方法帮助从超过 8,000 个候选材料中识别出 31 种此前未知的高介电氧化物材料。
这一进展解决了材料科学中的一个长期瓶颈。预测材料对电场的响应在计算上代价高昂，但这种响应却是现代电子学的核心。介电材料被广泛用于智能手机和计算机等设备，因此，找到有前景候选材料的更好工具具有很高的实际价值。
为什么直接预测很困难
当复杂材料性质被当作单一输出时，AI 系统往往很难可靠地预测。东北大学团队的解决方案是绕开这一直接捷径。研究人员没有让模型直接猜测介电常数，而是将问题建立在有助于形成最终性质的更基础物理量之上。
在源文描述的系统中，模型分别预测 Born 有效电荷，用于描述原子对电场的响应，以及声子性质，用于刻画材料中的原子振动。随后，这些要素通过一个物理公式组合起来，重建离子介电张量。
这一设计是论文主张的核心。研究人员认为，将物理机制嵌入工作流程中，使 AI 相比那些试图直接从晶体结构跳到最终介电行为的方法，更快也更可靠。
筛选发现了什么
利用这种方法，团队筛选了超过 8,000 种氧化物材料，并将范围缩小到 31 种此前未知的高介电氧化物。这是对搜索空间的一次大幅压缩，也凸显了 AI 在材料发现中的实际作用：不是完全取代实验或第一性原理计算，而是帮助研究人员决定下一步把昂贵的精力投入到哪里。
对于电子学而言，这一点很重要，因为高介电材料对于控制电场、在器件中储能，以及在设备要求越来越高时持续提升性能都至关重要。仅靠传统计算流程，要快速完成这种规模的候选发现并不容易。
