摘要：机器学习等数据驱动方法能够快速发掘数据之间潜在的统计相关性,实现目标量的高效精准预测,并辅助分析数据背后的物理图像,已被广泛应用于材料性能预测和器件设计的研究之中.近年来,机器学习模型研究在微波介质陶瓷材料及器件开发中也取得了系列进展.本文介绍了机器学习方法的基本原理和过程,重点总结了微波介质陶瓷的介电常数、品质因数等关键性能的机器学习预测模型研究的最新进展,探讨了材料成分、结构、工艺等参数与微波介电性能之间的关系,并概述了机器学习方法在微波天线和滤波器的尺寸优化、失效分析等方面的应用.最后,指出了数据驱动研究在微波介质陶瓷材料及器件领域的若干发展方向.

摘要：以(1-x)Pb(Mg1/3Nb2/3)O3-xPbTiO3{PMNT[(1-x)/x]}为代表的大尺寸、高质量弛豫铁电单晶具有非常高的热释电系数、探测优值和较低的热扩散系数,其综合热释电性能远优于传统的热释电材料。概述了PMNT[(1-x)/x]单晶、掺锰PMNT(74/26)单晶和0.42Pb(In1/2Nb1/2)O3-0.3Pb(Mg1/3Nb2/3)O3-0.28PbTiO3[PIMNT(42/30/28)]单晶的介电性能、铁电性能和热释电性能。掺杂后PMNT(74/26)单晶的介电损耗降低到0.000 5,探测优值提高到40.2×10-5 Pa-1/2,是目前所有三方四方相变温度(TRT)高于90°C的本征热释电材料中最高的。高居里温度PIMNT(42/30/28)单晶的TRT达到152°C,且具有较高的探测优值(10.2×10-5 Pa-1/2),将在更宽温度范围内得到广泛的应用。制作了基于掺锰PMNT(74/26)单晶的单元探头,其比探测率D*达到1.07×109 cmHz1/2W-1,是目前商用LiTaO3探测器的两倍,器件性能满足实用要求。