宾州州立大学8月31日介绍，材料科学研究团队提出一套把人工智能与研究人员专业判断结合的框架，用来加快寻找压电陶瓷。压电材料能在受到机械应力时产生电荷，因此可被用于研究小型电子设备的供能方式；这项工作关注的是材料发现与器件验证。
传统上，寻找新的压电陶瓷往往要经过反复试验。团队的新框架分为三个阶段：先由人工智能给出可能的材料组合，再由研究人员评估候选项，最后把选出的方案送入实际实验。Nature Communications 已发表这项方法与材料研究。
研究者让大型语言模型分析数十年已发表研究中的模式，生成新的材料组成候选清单。材料科学与工程助理教授韦斯利·莱因哈特表示，这相当于让人工智能协助快速梳理文献，但物理、化学和工程判断仍由科学家承担。
有了候选名单后，团队将重点放在一种以钾钠铌酸盐为基础的复合材料KNN-BNKZT-SCZ。校方报道给出的数据显示，这种材料的压电电荷常数约为每牛顿440皮库仑，意味着相同的运动或振动条件下，其电输出约为传统同类钾钠铌酸盐材料的三倍。
团队随后通过晶体学织构化继续提升表现。这一处理使陶瓷内部晶粒更有序地排列，以发挥其电学特性。经过织构化后，材料的压电电荷常数约为每牛顿620皮库仑，同时仍可在最高约华氏320度的环境下工作。
莱因哈特的同事迈克尔·拉纳根指出，人工智能擅长从庞大文献中识别模式，但材料发现仍需要理解化学、晶体结构、加工与表征。他以440提升至620皮库仑每牛顿的结果说明，模型筛选与实验知识在该项目中是相互衔接的环节。
为检验候选材料在器件中的可用性，团队将KNN-BNKZT-SCZ放入一种磁-机械-电能量采集器。这类装置把机械和磁性作用转为可用电能，常被研究用于无线传感器。报道强调，研究者测试的是功能原型，而不只是材料样品本身。
该原型达到约每立方厘米705微瓦的功率密度，校方称这一结果超过了可比系统以及未织构化材料的对应表现。研究教授贝德·普德尔认为，把材料放到功能设备中验证，是判断其应用潜力的重要一步；有关长期使用效果仍需后续研究继续观察。
项目由宾州州立大学团队完成，参与者包括研究生阿曼·南达、博士后尚卡尔·昆瓦尔等，并有多所机构研究者共同署名。公开信息确认了三阶段筛选、候选材料数据和能量采集器测试，也显示人工智能在此被用作缩小实验范围的工具，而非取代材料研究人员。
信息来源
本文基于上述公开资料整理，未使用来源页面的图片、视频或嵌入媒体。