近期，中國科學院上海硅酸鹽研究所無源集成器件與材料研究團隊采用機器學習方法，研究微波介質陶瓷的材料特征與介電性能之間的關系，提出了一種普適性強、準確性高的介電常數預測模型，并以此為依據預測了新的低介電常數微波介質材料。最優預測模型經過數據清洗、兩步降維、模型超參數優化、特征量組合尋優和多算法對比等步驟獲得。研究表明，除了降低單位體積離子極化率（ppv）之外，降低平均鍵長（blm）和提高每個原子所占的晶胞體積（va）都可有效降低材料介電常數。利用機器學習模型，從3,300余種未報道介電常數的無機材料中篩選出潛在的低介電常數材料，并從中選取了若干種進行制備和測試，驗證了預測結果的可靠性。相關相關成果以Machine learning approaches for permittivity prediction and rational design of microwave dielectric ceramics為題，發表在Journal of Materiomics上。

　　此外，研究人員還通過實驗研究和機器學習相結合的方法，發現了材料局域結構與品質因數（Q×f）之間的定量關系。實驗發現，硅鐵鋇礦型系列低介陶瓷ACuSi₄O₁₀(A = Ca, Sr, Ba)中A位取代會引起[AO8]十二面體單元發生顯著的收縮和畸變，且伴隨Q×f值單調下降?；趯嶒灁祿捎面I長、鍵價和等多個基本屬性描述[AO8]局域結構的變化，通過支持向量機方法構建Q×f值定量預測模型。模型發現，A-O2鍵長與A-O鍵長方差是Q×f值預測的決定性特征量。研究人員利用該定量構效關系對相同結構材料進行Q×f值預測，并得到實驗驗證。采用準光腔法，測試了材料在20 GHz-110 GHz毫米波頻段下的介電常數和介電損耗。相關研究成果以Structure and microwave dielectric properties of gillespite-type ACuSi₄O₁₀(A = Ca, Sr, Ba) ceramics and quantitative prediction of Q×f value via machine learning為題，發表在ACS Applied Materials & Interfaces上。

　　相關研究工作得到國家重點研發計劃項目、國家自然科學基金項目、中科院青年創新促進會和上海市青年科技啟明星計劃等的資助。

　　論文鏈接：1、2 

　?。╝）介電常數機器學習預測模型的表現，（b）預測介電常數在特征量空間中的分布 

　　基于ACSO體系的微波介質陶瓷Q×f的模型預測與實驗驗證