通过结合分子动力学模拟和机器学习方法预测基于聚醚酰亚胺的复合材料的介电性能

《Engineering Applications of Artificial Intelligence》：Predicting dielectric properties of polyetherimide-based composite via combined molecular dynamics simulation and machine learning

本研究提出分子动力学模拟与可解释机器学习结合的框架，优化聚醚酰亚胺基复合电介质材料。通过双数据库构建和SHAP分析揭示多尺度设计原则，实验验证模型准确性，确定苯乙酮15wt%、乙酰苯10wt%最优配比，实现能量密度提升58%。

　　

张月|龚正|张长海|张永全|尹超|王旭斌|张天东|易夏杰|易华杰|王琦

教育部工程电介质及其应用重点实验室，哈尔滨工业大学，哈尔滨，150080，中国

摘要

设计用于电容器储能的高性能聚合物电介质至关重要，但往往受到耗时且资源密集的开发周期的阻碍。聚醚酰亚胺是一种有前景的基体材料，但其性能受到低介电常数和击穿强度的限制。为了加速设计过程，我们提出并验证了一个结合分子动力学模拟和可解释机器学习的集成计算框架。在人工智能方面，从分子动力学参数和分子描述符的双数据库中开发了一个加权集成模型，以预测基于聚醚酰亚胺的复合材料的介电性能。然后使用SHapley Additive exPlanations框架对该模型进行了分解，揭示了多尺度设计层次结构。分析表明，填料重量分数和固有介电常数是最主要的预测因子，其次是界面兼容性和分子极性。在工程应用方面，为了验证我们的计算方法，将模型选定的Benzil和Acetophenone制备成了复合薄膜。实验结果证实了模型的高准确性，确定了Benzil的最佳含量为15 wt%，Acetophenone的最佳含量为10 wt%。值得注意的是，含有10 wt% Acetophenone的基于聚醚酰亚胺的复合材料达到了10.3 J/cm³的优异放电能量密度，比原始聚醚酰亚胺提高了58%。最终，这项研究不仅开发了一种有前景的材料，还建立了一种可靠的数据驱动方法，为设计下一代聚合物电介质提供了明确的指导。

引言

在现代电子设备、电动汽车和高功率电气系统中，储能电容器需要表现出优越的性能，以满足日益增长的能源需求和高频充放电要求（Zhou等人，2023年；Zhang等人，2019年；He等人，2023年；Sun等人，2022年）。然而，传统的电容器材料由于其低能量存储密度（U_e）和在高频充放电循环中的较差稳定性而难以满足新兴应用的需求。因此，开发具有高U_e和稳定性能的电容器材料已成为当前材料科学和储能技术的关键问题（Lakshmi和Vedhanarayanan，2023年；Shaheen等人，2023年；He等人，2024年；Yan等人，2024年；Zhou等人，2025年）。

聚合物聚醚酰亚胺（PEI）以其出色的热稳定性、电绝缘性和机械完整性而著称。这些特性使其成为高性能储能电容器的首选材料（Ma等人，2024年；Yu等人，2024年）。PEI具有较高的玻璃化转变温度（通常超过200°C），即使在室温下，也能保持稳定的电学和机械性能。此外，其低介电损耗在高效率储能应用中具有显著优势。然而，PEI相对较低的介电常数（ε_r）限制了其U_e的进一步提高（Ding等人，2023年；Yang等人，2024年）。一种常见的策略是将无机填料掺入PEI基体中，以改善其介电性能和击穿强度（E_b）。

为了克服PEI介电常数低的限制，掺入无机填料已成为主要策略。研究表明，引入纳米级无机颗粒可以利用量子尺寸效应形成深度陷阱，有效减少高温下的导电损耗（Zhang等人，2023年，Zhang等人，2023年；Zeng等人，2022年；Mu等人，2025年）。具体的进展包括Zeng等人围绕BaTiO₃纳米颗粒设计了聚酰亚胺壳层，提高了界面兼容性，实现了6.2 J/cm³的能量密度（Zeng等人，2024年），以及Mu等人开发的多层BT@BN纳米结构来提升性能（Yuan等人，2020年）。然而，尽管有这些进展，无机-聚合物复合材料通常会因界面不匹配而面临加工挑战和E_b降低的问题。因此，最近的研究转向了使用小有机分子的全有机复合材料，这些材料作为新兴填料引起了越来越多的关注，并展示了巨大的潜力（Peng等人，2025年；Yan等人，2024年；Wang等人，2025年；Zhang等人，2023年，Zhang等人，2023年，2024年）。值得注意的例子包括Zhang等人引入n型半导体NTCDA形成深度电子陷阱，显著抑制了漏电流（Li等人，2022年），以及Guo等人利用芳香族聚脲（ArPTU）通过氢键网络提高了能量密度（5.3 J/cm³（Pollice等人，2021年）。关键的是，这些小有机分子即使在高温、高频率和高电场条件下也能保持优异的储能性能（Zhang等人，2025年）。

虽然这些研究展示了有机填料的巨大潜力，但它们代表了通过传统实验直觉发现的孤立成功案例。潜在有机候选物的化学空间非常广泛且多维，涉及分子极性、带隙和空间配置的复杂变化。这导致了维数灾难，使得穷举式的试错筛选成本高昂且效率低下。为了有效地导航这一广阔的搜索空间，结合分子动力学（MD）模拟和机器学习（ML）的数据驱动方法变得不可或缺。通过建立一个将微观分子描述符与宏观介电性能联系起来的闭环框架，我们可以加速高性能全有机电介质的发现。

填料的内在特性（如带隙、静电势和ε_r），以及它们与PEI基体的兼容性和界面处的相互作用，在决定复合材料的最终性能方面起着关键作用。然而，独立实验方法来确定最佳填料含量和比例通常耗时、劳动密集且成本高昂。

为了加速储能材料的筛选，逐渐应用了数据驱动方法（Huang等人，2024年；Liu等人，2024年；Eastman等人，2023年；Zeng等人，2023年）。MD模拟可以模拟不同填料与PEI基体之间的相互作用，从而提取关键参数，如ε_r和E_b。通过从这些模拟结果构建数据库，可以使用ML模型分析和预测材料性能，快速筛选出具有优异性能的填料组合，同时减少与试错实验相关的时间和成本。模拟和ML的结合不仅提高了筛选效率，还提供了有价值的数据驱动见解，有助于理解不同填料在储能中的作用和机制（Zhou等人，2023年；Liu等人，2025年）。

在这项工作中，提出了一个结合MD模拟、基于描述符的特征化和可解释ML的集成计算框架，用于基于PEI的全有机电介质复合材料的合理设计和优化。最初采用了双数据库方法，从MD模拟中构建了一个基于物理的数据库来捕捉宏观性能（例如，结合能，Chi参数），同时使用超过2000个分子描述符生成了一个全面的化学数据库来量化分子结构。然后应用了严格的特征选择过程来提取最显著的化学特征，这些特征随后与物理参数合并，创建了一个最终的、全面的特征向量。这个优化后的数据集被用来训练和评估一系列ML模型，最终开发出了一个高保真度的加权集成模型。然后使用SHapley Additive exPlanations（SHAP）框架对该模型的“黑箱”性质进行了分解，以阐明复杂的多尺度结构-性能关系，并推导出明确的设计原则。最后，通过使用模型选定的候选物Benzil和AP系统地制备和表征复合薄膜，实验验证了模型的预测准确性和推导出的设计原则。

如研究工作流程（图1所示），这种集成策略不仅通过最小化实验试错显著加速了材料发现周期，还提供了深入的机制性见解，指导未来高性能储能材料的发展。

部分摘录

复合薄膜的制备

PEI、Benzil和AP从北京InnoChem科技有限公司购买。将有机小分子和一定体积的1-甲基-2-吡咯烷酮（NMP）溶剂溶解在适当大小的烧杯中，制备有机小分子溶液。作为一种特殊的溶剂，NMP具有高的偶极矩和独特的极性诱导的局部有序结构，这种结构可以延伸到纳米范围（Basma等人，2018年）。有机小分子溶液通过超声波处理

模拟数据库的构建

在开始模拟之前，需要明确建立数据库的研究目标，即提高基于PEI的复合材料的介电性能。为此，建立了一个包含100种小分子的数据集。这些化合物的名称和结构式在支持信息的表S1中提供。这100种小分子的模拟模型显示在支持信息图S1中。九个参数被

结论

总之，这项工作建立并实验验证了一个用于合理设计高性能基于PEI的全有机电介质的集成计算框架。通过将MD模拟与可解释的ML相结合，我们开发了一个加权集成模型，实现了高预测精度（R² = 0.868）。除了预测之外，SHAP分析的应用还分解了“黑箱”，揭示了关键的多尺度设计原则，特别是识别了非线性

CRediT作者贡献声明

张月：撰写——原始草稿，资金获取，正式分析。龚正：研究，正式分析。张长海：软件，数据管理。张永全：软件，数据管理。尹超：研究，数据管理。王旭斌：撰写——审阅与编辑，验证。张天东：正式分析，概念化。易夏杰：撰写——审阅与编辑，研究。易华杰：撰写——审阅与编辑，监督。王琦：撰写——审阅与编辑，

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

致谢

这项工作得到了中国黑龙江省自然科学基金（编号：LH2024E086）、黑龙江省春燕创新团队计划（编号：CYQN24003）、黑龙江省归国留学人员优先资助项目以及国家自然科学基金（编号：52207231、92366204、U20A20308）的支持。