近年来，随着交通运输、储能、国防等领域电气系统的发展，优异的电气强度、热稳定性、适当的介电常数和低损耗对高压设备的稳定运行日益关键。然而，这些关键性能之间的相互制约已成为新型介电聚合物开发的重大挑战，传统试验验证范式在探索庞大化学空间和结构-性能关系方面效率低下。
本工作介绍了人工智能辅助的电介质设计方法，融合领域专业知识与先进机器学习技术，突破关键性能间的制约并加速新型聚合物电介质的开发。首先，构建包含多维结构信息和性能目标的聚合物数据库；其次，开发涵盖化学键、分子结构、链段结构及合成参数的跨尺度指纹体系，将聚合物化学特征转化为机器学习可识别的信息；进而部署多种机器学习模型，对候选材料化学空间中大量新结构进行高通量筛选，选出具有潜在理想性能的分子结构用于合成验证。本研究以设计兼具优异击穿强度、耐热性和低损耗的电介质为例，构建了信息驱动筛选与实验验证相结合的闭环集成系统：通过人工智能模型预测筛选候选材料，经合成表征验证性能，再将实验数据反馈至系统持续优化模型。该方法有望革新固体电介质材料的设计范式，并展现了人工智能在材料多目标优化领域的巨大潜力。

人工智能,固体电介质,靶向设计,高通量筛选,聚合物