在国家自然科学基金项目（批准号：52421001、524B2016）等资助下，清华大学沈洋教授与合作者在高温储能聚合物薄膜电容器领域取得新进展。相关研究成果以“High-Temperature Polymer Composite Capacitors with High Energy Density Designed via Machine Learning”为题，于2025年9月9日在线发表于《自然·能源》（Nature Energy）。论文链接：https://www.nature.com/articles/s41560-025-01863-0。
聚合物电介质具有极高的功率密度和极快的充放电速率，是薄膜电容器的核心储能材料，在电动汽车、风/光发电设施中发挥着不可替代的作用。相较于传统的聚丙烯薄膜电容器，复合电介质薄膜电容器在高温环境下表现出优异的能量密度、功率密度与电容稳定性。由于其能量密度受到高温击穿场强的制约，通过引入宽带隙、高电子亲合能的填料可以有效抑制其内部的电荷迁移，延缓电荷迁移引发的电子雪崩和击穿裂纹，提高聚合物复合电介质的击穿场强。然而，采用传统的人工搜索方法寻找兼具宽带隙和高电子亲合能的填料仍然十分困难。
清华大学沈洋教授与合作者采用生成式机器学习方法深入探究了有机分子填料的化学结构与能带结构的关联。训练后的机器学习模型具有较高的性能预测准确度，能够准确输出超过200种有机分子，合成出两种兼具宽带隙（5.5 eV）和高电子亲合能（4.5 eV）的小分子填料，并验证了小分子填料在聚合物中的化学稳定性和热稳定性。掺入聚合物基体的小分子填料一方面可以通过高电子亲合能捕获电子，另一方面可以通过宽带隙阻碍电子在其内部的迁移，进而显著降低电介质内部的泄漏电流密度以及大幅提升高温击穿场强。由此，制备的复合电介质在250 °C高温下达到了5.1 J cm-3的能量密度（充放电效率为90%），并可在600 MV m-1的高电场下稳定循环20万次，超过了目前绝大多数的聚合物电介质材料。此外，基于自行搭建的卷对卷流延设备，研究团队连续化制备了千米级的复合电介质薄膜，并实现了基于新型聚合物复合电介质薄膜电容器的工业化生产。
该研究提出了一种“机器学习生成+实验验证”的高效率材料设计方法，有助于推动高能量密度聚合物电介质由实验室设计走向工业化应用。
图 基于生成式机器学习方法开发高温高储能聚合物复合电介质薄膜电容器