电容器具有充电速度和高能量输出，可能在为未来的机器供电方面发挥重要作用。未来机器的例子包括智能手机和电动汽车。

然而，这些能量存储装置存在主要问题。它们比相似尺寸的电池存储的能量要少得多。

科学家们专注于寻找一种更快速地分析两种材料的电子结构的方法。他们正在寻找可能影响性能的功能。

“电子行业希望了解他们用于生产器件的所有材料的电子特性和结构，包括电容器。”

聚乙烯有缺陷

例如，聚乙烯是具有大带隙的优异绝缘体。带隙是固体中的能量范围，其中不存在电子态。然而，如果它有缺陷，不需要的电荷载流子可以进入带隙，从而削弱效率。

“为了理解缺陷的位置以及它们起什么作用，我们需要计算整个原子结构，这是迄今为止非常困难的事情。目前使用量子力学分析这些材料的方法非常缓慢，它限制了在任何给定时间可以进行多少分析。“

研究人员专注于使用机器学习开发新材料。他们使用了从聚乙烯和铝的（量子力学）分析中创建的数据样本。功能强大的计算机使用数据作为输入来学习如何模拟分析。

机器学习优于传统技术

“用量子力学分析材料的电子结构涉及求解密度泛函理论的Kohn-Sham方程，该方程生成波函数和能级的数据。”

“然后，该数据用于计算系统的总势能和原子力。”

“使用新机器学习方法产生的结果与使用基于量子力学的传统技术相比要快8个数量级。”

“这种前所未有的计算能力加速将使我们能够设计出优于现有电子材料的电子材料。”

“基本上我们可以说，'这种材料的缺陷会真正降低其电子结构的效率。' 一旦我们能够有效地解决这些问题，我们就可以更好地设计电子设备。“

机器学习可以分析许多其他材料

这项研究的重点是聚乙烯和铝。但是，可以使用机器学习来分析许多其他材料的电子结构。

机器学习还可以加速材料结构其他方面的量子力学分析。

“在某种程度上，我们选择了铝和聚乙烯，因为它们是电容器的组成部分，但它也使我们能够证明您可以将这种方法用于截然不同的材料，例如导体和绝缘体聚合物。”

由于机器学习而更快的处理也将使研究人员能够更快地模拟材料的修改如何影响其电子结构。这可能会带来提高效率的新方法。

什么是机器学习和人工智能？

机器学习是一种人工智能应用程序，它使智能机器能够从经验中学习。换句话说，他们自己学习和提高，没有人为干预。

人工智能是指使计算机，机器人和其他设备像我们（人类）一样思考的软件。它也使他们表现得像我们一样。

许多专家说，如果它不能像人类一样表现得好，我们就不应该称之为人工智能。