济南大学康俊峰团队 | 基于机器学习的氧化物玻璃介电常数预测：通过增强数据与物理化学描述符实现

本研究针对5G/6G高频器件开发中对氧化物玻璃介电常数精确调控的需求，旨在解决相关实验数据稀缺的问题。研究团队开发了一个结合数据增强与物理化学描述符集成的机器学习框架，通过集成学习生成伪标签，将数据集从1503条扩展至11029条，并利用增强数据训练XGBoost模型，显著提升了预测精度。研究结论表明，数据增强有效提高了模型性能，SHAP分析揭示了B2O3、SiO2为介电常数抑制因子，而BaO、TiO2为增强因子。通过物理化学描述符，模型能够有效外推至含未知元素（如Y2O3、La2O3）的玻璃体系，并确认调节玻璃网络结构是设计其介电性能的最重要方式。