日本東北大學開發出可預測材料介電常數的人工智慧(AI)技術。此方法結合電荷與聲子(Phonon)性質的預測模型，透過提升聲子預測精度，大幅提高整體介電常數的預測能力。研究團隊已針對8,717種氧化物進行篩選，並成功發現31種高介電材料。
此技術以結晶結構資訊為基礎，利用AI預測決定介電常數的離子貢獻。具體而言，離子貢獻可由波爾有效電荷(Born effective charge)與聲子特性透過理論公式計算得到，其中波爾有效電荷採用圖神經網路(Graph Neural Network; GNN)進行預測，聲子特性則透過機器學習勢能模型(Machine Learning Potential)推算。
在誘電率計算中，聲子預測誤差對結果影響甚大。隨著機器學習勢能模型精度提升，介電常數預測準確度亦顯著改善，且相較於直接由AI預測離子貢獻的方法，整體精度有大幅提升。此外，由於結合理論公式進行計算，此方法亦可推估缺乏實驗或資料的材料區域。今後研究團隊將進一步擴展此技術至氮化物等材料系統，加速高介電材料的探索與開發。