功能陶瓷作为一类关键无机非金属材料，能够响应电、磁、热、光、声等多种外部刺激，是现代电子、能源、医疗及通信领域的重要基石。尽管传统实验与计算方法长期支撑该领域发展，但面对复杂的“成分-结构-工艺-性能”非线性关系和高维设计空间，功能陶瓷性能预测与优化仍存在巨大挑战。随着人工智能与材料科学深度融合，系统总结数据驱动范式在功能陶瓷领域的研究进展，并打通功能陶瓷材料研发从智能设计、智能化制备、智能服役评价与寿命预测的全链路闭环路径，对推动关键电子材料的跨越式发展具有重要的学术与产业应用价值。

近日，中国科学院上海硅酸盐研究所无源集成器件与材料团队系统总结了数据驱动功能陶瓷研究的方法、研究进展与未来方向。相关成果以题为“Data-driven approaches for functional ceramics”的长篇综述论文发表在国际材料学期刊 Materials Science and Engineering: R: Reports（DOI: 10.1016/j.mser.2026.101213）。上海硅酸盐所秦锦成博士为论文第一作者，刘志甫研究员为通讯作者。

该综述系统阐述了功能陶瓷数据驱动研究的基本流程，涵盖数据收集、特征工程、算法选择、模型评估与解释等关键环节。文章重点总结了介电、铁电、压电、电卡、导电、超导、磁性及发光陶瓷等主要功能陶瓷体系的性能预测进展，并对200余个代表性模型的适用范围、目标量、特征量、算法架构、数据来源及预测性能进行了汇总对比。同时，论文系统梳理了机器学习在材料分类、辅助计算、工艺调控、图谱识别、器件设计及失效分析等方面的前沿应用，探讨了数据标准化、自驱动实验、小样本学习、多模态融合、可解释人工智能及数字孪生等新兴挑战与机遇，为功能陶瓷的智能设计与快速开发提供了系统性的参考。

近年来，上海硅酸盐所无源集成器件与材料团队聚焦介质陶瓷材料与元器件智能化研究领域，开展了从新材料研发到器件失效分析的系统性研究。针对微波介质陶瓷传统研发模式周期长、效率低的瓶颈，构建了ABO₄型陶瓷品质因数（Q×f）及ABO₃型陶瓷谐振频率温度系数（τ_f）的定量预测模型，揭示了关键特征参量与性能的关系，加速高性能材料的设计与发现（J. Materiomics 2025; J. Materiomics 2026）。引入领域知识与机器学习双向嵌入方法，利用符号回归对经典Clausius-Mossotti方程进行修正，将介电常数预测精度提升了42%（《硅酸盐学报》2025）。开发了可解释机器学习和遗传算法的多目标优化策略，解耦了介电、热学与力学性能间的复杂制约关系，实现了系列综合性能优异的新型玻璃体系的成分设计（MGE Advances 2025）。针对多层陶瓷电容器（MLCC）寿命预测难题，提出了基于漏电流演变特征的机器学习模型，实现了单体失效时间的准确预判（APL Mach. Learn. 2025）；针对MLCC长效可靠性评估中实验数据稀缺、评估周期长的难题，提出了融合Eyring热力学加速模型的物理信息机器学习方法，弥补了小样本数据的局限性，实现了在极端热、电应力条件下平均失效时间的精准预测（IEEE Trans. Compon., Packag., Manuf. Technol. 2026）。

上述系列研究工作得到了中国科学院“智能科学家”平台、国家自然科学基金、上海市优秀学术带头人计划、中国博士后科学基金等项目的支持。

文章链接：

https://doi.org/10.1016/j.mser.2026.101213

https://doi.org/10.1016/j.jmat.2024.100926

https://doi.org/10.1016/j.jmat.2025.101117

https://link.cnki.net/doi/10.14062/j.issn.0454-5648.20250039

https://doi.org/10.1002/mgea.70005

https://doi.org/10.1063/5.0262717

https://doi.org/10.1109/TCPMT.2026.3661614

数据驱动的功能陶瓷研究