据外媒报道，由于可输出高能量且充电速度快，电容器在为电动汽车和手机等未来机器提供动力方面将发挥重要作用，但是电容器成为储能设备的一大阻碍是，其存储的能量远远低于同等大小的电池。美国佐治亚理工学院（Georgia Institute of Technology）的研究人员找到一种新颖的办法，以解决上述问题。研究人员们利用超级计算机和机器学习技术，最终成功打造了更强大的电容器。该项研究包括教会计算机分析生产电容器的两种材料 – 铝和聚乙烯的原子。

（图片来源：加州大学圣地亚哥分校）

研究人员专注于寻找方法以更快地分析电容器材料的电子结构，找到能够影响电容器性能的特性。佐治亚理工大学材料科学与工程学院（Georgia Tech’s School of Materials Science and Engineering）教授Rampi Ramprasad表示：“电子行业希望能够了解用于生产电子设备（包括电容器）的所有材料的结构和特性。例如，聚乙烯是一种很好的绝缘体，具有很大的带隙，能量范围是电荷载体所达不到的，但是其具有一个缺点就是，多余的电荷载体可以进入带隙，从而降低了效率。”

Ramprasad表示：“为了了解缺陷在哪里，以及发挥什么作用，我们需要计算材料的整个原子结构，目前为止还非常困难。目前使用量子力学分析此类材料太慢，限制了特定时间内所进行的分析量。”

Ramprasad跟同事一起使用了机器学习方法，研发出了新材料。他们采用了量子力学分析铝和聚乙烯产生的数据样本，教会了一台强大的计算机如何模拟进行此类分析。用量子力学分析材料的电子结构涉及到求解密度泛函理论的科恩-沙姆方程式，该方程式会产生波函数和能量级数据，此类数据可用于计算该系统的总势能和原子力。

研究人员使用了圣地亚哥超级计算机中心（San Diego Supercomputer Center）的Comet超计算机，圣地亚哥超级计算机中心是加州大学圣地亚哥分校一个有组织的研究单位，用于早期计算；还使用了德州大学奥斯汀分校德州高级计算中心的Stampede2超级计算机，用于本研究的后期阶段。

与使用基于量子力学的传统技术相比，使用新型机器学习法产生的类似结果多了几个数量级。Ramprasad表示：“计算能力得以提高就可以让我们设计出比现有材料更好的电子材料。”

虽然此次研究重点在铝和聚乙烯，但是机器学习方法能够用于分析更多种类材料的电子结构。Ramprasad表示，除了能够分析电子结构外，现在量子力学分析的材料结构的其他方面也可以通过机器学习方法来加速。

机器学习法让处理速度更快，就能够让研究人员更快地模拟材料的变化会如何影响其电子结构，从而找到提升其效率的新方法。Kamal表示：“超级计算机系统能够实现高通量计算，从而能够创建关于各种材料系统的海量知识数据库，然后此类知识能够帮助我们为特定应用寻找最佳材料。”

返回第一电动网首页 >