AI 搜遍 1.5 亿种材料找出无铅电容候选：从论文图表到实验数据，科研自动化工作流这样做

本文基于公开研究动态（Nature Communications 报道）与 MatAI 平台真实工具能力撰写，不包含虚构实验数据。

一句话看懂

研究者用大语言模型把散落在 448 篇论文、1202 条实验记录里的组分、工艺条件与图表数据自动结构化，再叠加物理约束筛选，从 1.5 亿种组合里锁定两种含锡无铅介电材料 SNBTS1 / SNBTS2。它们在宽温域里介电常数高且稳定，性能压过传统钛酸钡。真正卡住 AI 材料发现的，不是算力，而是「把论文里零散的数据变成机器能读的结构化数据」这一步。

含铅电容的环保困局

智能手机、电动汽车里的多层陶瓷电容器（MLCC）核心是介电材料。介电常数越高，同等体积能存越多电能，但真正好用的材料必须在升温时守住性能。市场主流是锆钛酸铅（PZT）等含铅体系，生产过程中会产生铅与氧化铅，对环境和人体都有害。无铅替代不是性能不够，而是「发现周期太长」。

传统试错法为什么慢

找一种新介电材料，等于在近乎无穷的化学组合里大海捞针。更麻烦的是，有用的测量结果零散藏在各篇论文的正文、表格与图表里，温度、频率、样品特性等实验条件各不相同（这种不一致让已发表的信息很难直接被机器学习使用。数据不可用，AI 就跑不起来。

材料信息学流程：LLM 做数据挖掘

这篇工作提供了一个可复用的材料信息学范式：

1. 用大语言模型从论文的文字和表格里提取组分与工艺条件；

2. 把图表转化为数值数据，还原介电性能随温度变化的曲线；

3. 用物理约束剔除不太可能真实存在的组分；

4. 汇总成统一数据集，再做逆向设计与筛选。

最终数据集包含 448 篇论文、1202 条记录，覆盖组分、工艺条件与介电性能；从 1.5 亿种候选组合中筛出 37 个候选，再选出其中含锡 1–2 mol% 的 SNBTS1 与 SNBTS2 做实验验证。实验验证表明，两者在较宽温度范围内保持高且稳定的介电常数，预测结果与实验观察到的趋势高度吻合，优于典型介电材料钛酸钡（其介电常数在 125°C 左右发生急剧变化）。

这套流程，MatAI 工具可以帮你跑通

材料信息学的瓶颈不在终点，而在「把论文图表与文本变成结构化数据」的前置环节，这正是课题组日常最耗时的地方。MatAI 提供三个直接对应的工具：

• PicAxe（图表智能分析）：把论文里的曲线图、SEM/TEM 图、性能对比图自动识别并抽取数值与趋势，替代手工读图描点，对应上面流程的第 2 步。
• 科研自动化工作流：把「文献提取 → 数据整理 → 分析 → 成文」编排成可复用的自动化管线，对应流程的第 1、3、4 步，适合需要批量处理文献的课题组。
• Intro Finder（引言生成）：输入研究问题与结果，自动生成研究故事、创新点摘要与引言大纲，论文写作的引言部分不用再对着空白页发愁。

立即上手

• 想做图表数据化：访问 PicAxe 工具页
• 想搭科研自动化管线：访问 科研自动化工作流
• 想快速生成引言：访问 Intro Finder 工具页

注册 MatAI 账号即可试用，把散落的图表和数据交给工作流，把时间留给真正的研究。