机器学习辅助预测ABO3型微波介质陶瓷的谐振频率温度系数（τf）

为解决微波介质陶瓷温度稳定性预测效率低、传统方法依赖定性分析的问题，研究人员通过机器学习框架系统评估了31种结构描述符对ABO3型陶瓷τf值的影响，发现XGBoost模型（R2=0.7799）能精准预测τf，并揭示分子介电极化率（pm）、容差因子（tt）等关键特征的作用机制，为设计近零τf材料提供数据驱动新范式。

　　

在5G通信和卫星技术快速发展的今天，微波介质陶瓷作为谐振器、滤波器的核心材料，其温度稳定性直接决定了设备在极端环境下的可靠性。其中，谐振频率温度系数（τ_f）是衡量材料温度稳定性的关键指标，但传统研究多局限于单一化学体系或经验性试错，既无法量化多因素耦合效应，也难以实现跨组分快速筛选。更棘手的是，与介电常数（ε_r）不同，τ_f缺乏类似Clausius-Mossotti方程的理论框架，导致其结构-性能关系长期处于"黑箱"状态。

针对这一挑战，中国科学院上海硅酸盐研究所高性能陶瓷和超微结构国家重点实验室的研究团队独辟蹊径，将机器学习（ML）引入ABO₃型钙钛矿微波介质陶瓷研究。他们从104种单相陶瓷样本中提取31种结构描述符，通过极端梯度提升（XGBoost）算法构建预测模型，最终在《Journal of Materiomics》发表了突破性成果。这项研究不仅实现了τ_f的精准预测，更揭示了隐藏在复杂数据背后的物理机制，为新型温度稳定材料的开发铺设了快车道。

研究团队采用多管齐下的技术路线：首先从Materials Project等数据库获取104种ABO₃型陶瓷的晶体结构文件（CIF），通过VESTA软件提取键长、键角等31种初始特征；接着采用Pearson相关系数和随机森林（RF）进行双重特征筛选，最终保留分子介电极化率（pm）、离子体积（Vi）等7个关键描述符；最后通过网格搜索优化XGBoost等5种算法参数，采用1000次重复试验确保模型稳健性。

3.1 数据收集与预处理

通过严格筛选相对密度>90%的单相陶瓷样本，并限制τ_f值在±100×10^–6 °C^–1范围内，构建出高质量数据集。特征工程中创新性引入基于键长计算的容差因子（tt），比传统离子半径法更能反映氧八面体倾斜等局部结构变化。

3.2 特征筛选

SHAP分析显示pm特征贡献度最高（图7），这与经典离子极化稀释理论吻合：当pm≥14 ?³时，材料更易获得近零τ_f值。而tt通过调节A-O键长影响晶格振动各向异性，其阈值在0.74-1.04区间时具有调控潜力。

3.3 建模验证

XGBoost模型在测试集表现优异（R²=0.7799），其预测误差（15.7494×10^–6 °C^–1）较随机森林（RF）降低23%。特别值得注意的是，模型在外部验证集上保持稳定（R²=0.6985），证实其强大的泛化能力。

3.4 定量构效关系

研究首次建立τ_f与pm的量化关联：根据Clausius-Mossotti方程推导发现，τ_f≈(α_L/3)(?pm/?T)，其中线性热膨胀系数α_L在钙钛矿中为8-10 MK^–1。这解释了为何Ba₂SmTaO₆等预测材料能实现近零τ_f——其pm值恰处于14-18 ?³的最佳区间。

这项研究的意义远超出算法本身。一方面，团队发现的"离子体积（Vi）与τ_f负相关"规律，为解释阳离子"晃动效应"（rattling effect）提供了新视角：当Vi<36 ?³时，小尺寸阳离子会引发氧八面体畸变，进而增大τ_f。另一方面，相对分子质量（m）与τ_f的关联性首次被量化，暗示原子质量-半径周期性可能影响晶格振动模式。这些发现不仅为微波介质陶瓷设计提供了pm-tt-Vi-m四元调控策略，更开创了用数据驱动方法解析复杂陶瓷体系的新范式。正如通讯作者Zhifu Liu强调的，该框架可扩展至其他功能陶瓷的性能预测，加速新型电子材料的开发进程。