Een onderzoeksteam van het College of Engineering van de Seoul National University heeft een methode ontwikkeld waarmee kunstmatige intelligentie nieuwe loodvrije diëlektrische materialen kan opsporen die hun prestaties behouden, ook bij hoge temperaturen. Volgens de universiteit combineert de aanpak, geleid door professor Ho Won Jang van de afdeling Materials Science and Engineering, data die uit wetenschappelijke literatuur zijn gehaald met machine learning die rekening houdt met natuurkundige wetten. Het resultaat werd gepubliceerd in het tijdschrift Nature Communications. De onderzoekers presenteren hun werk als een manier om materiaalontdekking om te vormen van een proces van vallen en opstaan naar een datagedreven zoektocht.
- AI doorzocht 1.202 datapunten uit 448 wetenschappelijke publicaties.
- Van circa 150 miljoen mogelijke samenstellingen bleven 37 kandidaten over.
- Twee gesynthetiseerde materialen bereikten diëlektrische constanten van 3.422 en 3.307 bij kamertemperatuur.
De boodschap van het team is duidelijk: de zoektocht naar geschikte materialen is te groot om met de hand af te leggen. Zelfs wanneer je je beperkt tot loodvrije samenstellingen, is het aantal mogelijke combinaties van elementen en mengverhoudingen volgens de onderzoekers vrijwel onbeperkt, waardoor experimenteel uitproberen kostbaar en tijdrovend is.
Waarom stabiele diëlektrica zo belangrijk zijn
Diëlektrica zijn isolerende materialen die directe stroomdoorgang tegenhouden maar wel elektrische lading opslaan. Ze vormen het hart van meerlaagse keramische condensatoren (MLCC’s), onderdelen die in smartphones, elektrische auto’s en talloze andere elektronische apparaten zitten. Hoe hoger de diëlektrische constante, hoe meer energie een even groot onderdeel kan opslaan. Voor praktisch gebruik telt echter ook de stabiliteit: de prestaties moeten overeind blijven wanneer de temperatuur oploopt.
Dat belang neemt toe naarmate meer toestellen bij hoge temperaturen werken, van elektrische voertuigen en vermogenselektronica tot lucht- en ruimtevaartapparatuur. Voor Nederlandstalige lezers die dagelijks met dergelijke apparaten omgaan, betekent onderzoek als dit dat de bouwstenen van hun elektronica op termijn hittebestendiger en zonder lood zouden kunnen worden.
Van verspreide grafieken naar een bruikbare dataset
De grootste hindernis was dat relevante gegevens verspreid zitten over tekst, tabellen en grafieken van uiteenlopende studies, met meetomstandigheden zoals temperatuur en frequentie die telkens verschillen. Het team zette grote taalmodellen in om samenstellingen en procesomstandigheden uit tekst en tabellen te ordenen, en zette grafieken om in numerieke data. Zo ontstond een dataset van 1.202 records uit 448 publicaties, aangevuld met 22 fysische kenmerken zoals elementaire samenstelling en microstructuur.
Vervolgens combineerden de onderzoekers 30 afzonderlijk getrainde modellen om drie kernindicatoren voor diëlektrische constante en temperatuurstabiliteit tegelijk te voorspellen. Het raamwerk beoordeelt bovendien in hoeverre de modellen het eens zijn, zodat kandidaten met de hoogste betrouwbaarheid voorrang kregen.
Na het toepassen van prestatiedoelen en fysisch-chemische randvoorwaarden op ongeveer 150 miljoen virtuele samenstellingen bleven er 37 kandidaten over.
Twee proefstalen bevestigen de voorspellingen
Uit de meest kansrijke groep kozen de onderzoekers twee samenstellingen om daadwerkelijk te synthetiseren. In de stalen was respectievelijk 1 en 2 mol% tin (Sn) vervangen. Ze vertoonden diëlektrische constanten van 3.422 en 3.307 bij kamertemperatuur. De kleine hoeveelheid tin bleek een gunstige uitruil op te leveren: de temperatuurstabiliteit verbeterde zonder dat de diëlektrische constante sterk daalde.
Vergeleken met bariumtitanaat (BaTiO₃), dat vandaag veel in MLCC’s wordt gebruikt, behielden de nieuwe materialen hun hoge diëlektrische constante consistenter over een breder temperatuurbereik. Beide stalen voldeden aan de internationale stabiliteitsnormen X5R, X6R en X7R. Die classificaties geven aan of de diëlektrische constante binnen ±15% van de waarde bij 25°C blijft, tot respectievelijk 85, 105 en 125°C.
Wat de aanpak onderscheidt, is dat AI hier niet alleen bestaande kennis samenvat maar wordt ingezet om nieuwe, nog niet geteste samenstellingen voor te stellen. Dat betekent in de praktijk dat de dure fase van experimenteel uitproberen kan worden ingekort tot een handvol gerichte tests.
Zie jij AI als de sleutel tot snellere doorbraken in materiaalonderzoek, of blijft het laboratorium onmisbaar? Deel je kijk in de reacties.
