基于统计设计的高介电常数化合物识别

高介电材料的发现对于提高电子器件和电池的效率至关重要。在此，我们报告了三种先前未被探索的材料，其具有非常高的介电常数（69 $<$ $\epsilon$ $<$ 101）和大的带隙（2.9$<$ $E_{\text{g}}$(eV) $<$ 5.5），这是通过借助人工神经网络（ANN）的统计优化算法筛选材料数据库得到的。这两种新介电体为混阴离子化合物（Eu$_5$SiCl$_6$O$_4$ 和 HoClO），并通过相图分析表明其相对于常见半导体在热力学上是稳定的。我们还发现了另外四种具有相对较大介电常数（20$<$$\epsilon$$<$40）和带隙（2.3$<$$E_{\text{g}}$(eV)$<$2.7）的材料。虽然 ANN 训练数据来自 Materials Project，但搜索空间由 Open Quantum Materials Database (OQMD) 中的材料构成——展示了跨数据库材料设计的成功实现。总体而言，我们报告了在设计工作流中筛选出的 17 种材料使用第一性原理计算得到的介电性质。本工作预测的高介电性质介电材料为进一步的实验研究开辟了机会。