微波介质材料作为现代通信设备核心元器件的关键材料，在5G/6G移动通信、卫星导航、智能网络等高新产业中具有不可或缺的战略性地位。介电常数决定电介质材料的实际应用，准确计算和预测介电常数是实现微波介质材料按需设计的重要一环。经典介电常数计算公式Clausius-Mossotti方程和最新报道的介电常数预测模型（Qin J, et al. J. Materiomics, 2021, 7(6): 1284-1293.）均指出分子介电极化率是预测介电常数的决定性参量，而该参量可通过加和离子介电极化率（ _D）得到。然而，当今最具影响力的、由Shannon于1993年给出的 _D数据库在5G/6G时代面临着三大挑战：①数据量少、②仅面向低频段（kHz ~ MHz）、③离子基本属性对 _D的影响考虑较少。因此，现有的 _D数据库并不能满足面向GHz频段应用的新型微波介质材料的介电常数准确计算和预测。机器学习等数据驱动方法在材料性能预测和挖掘数据背后隐含物理关系等问题中表现出定量、准确、高效、低成本等优势，这为 _D数据库的优化及拓展开辟了新路径。  

　　最近，中国科学院上海硅酸盐研究所刘志甫研究员团队采用多元线性回归和支持向量机方法优化并拓展了离子介电极化率数据库，实现 _D数据准确性的提升，同时将数据量从61种大幅扩充至915种，覆盖92种元素。该工作基于文献报道的334种微波介质陶瓷的介电常数数据，依据目前 _D数据的误差程度，采用四阶段多元线性回归方法对不同 _D数据进行优化。基于优化后的数据库，采用多种机器学习模型尝试建立 _D值与离子基本属性之间的定量关系，并利用最优模型来拓展 _D数据库。模型寻优表明，最优模型基于支持向量机算法，包含原子序数（N）、价态（V）、配位数（CN）和离子半径（IR）四个特征量。该工作还结合电介质理论知识和归因分析SHAP方法，讨论了离子基本属性对 _D值的作用机制，并发现前人的研究忽视了V和CN对 _D值的重要影响，所总结的 _D值与离子半径三次方之间的正线性关系并非总是成立：对于V和CN相同的离子，IR的变化由N引起，规律成立；但对于V和N相同的离子，IR的变化由CN引起，规律失效。  

　　相关研究以“Optimizing and extending ion dielectric polarizability database for microwave frequencies using machine learning methods”为题已在线发表在npj Computational Materials上（https://www.nature.com/articles/s41524-023-01093-6）。基于该工作，作者还建立了一个在线 _D数据库（https://qincas.gitee.io/idp-ml/），为微波介质材料领域的研究者提供参考。  

　　该研究工作得到国家自然科学基金项目、中国科学院青促会和上海市青年科技启明星计划等项目的资助。第一作者为上海硅酸盐所博士后、2023届博士毕业生秦锦成，通讯作者为刘志甫研究员、马名生研究员。  

基于优化后 _D数据库所建立的最优机器学习模型的表现