铁电材料由铁电相转化为顺电相的临界温度被称为居里温度。材料在铁电-顺电相变过程总是伴随着热流、介电和热电异常,因此居里温度成为衡量铁电材料性能的一个关键指标。以PMN-PT为代表的铅基钙钛矿铁电晶体在拥有高压电系数的同时,较低的居里温度则成为了限制其应用的一大障碍。本文通过机器学习研究了铅基钙钛矿铁电晶体材料特性,并在此基础上预测可能具有优异性能(高居里临界温度)的铅基钙钛矿铁电晶体材料。我们从已经发表的文献中获得205种不同铅基钙钛矿铁电晶体的居里温度数据。基于固溶体组成元素的基本物理性质,论文构建了标度规律描述文献中铅基钙钛矿铁电固溶体的特征。随后采用岭回归、支持向量回归、极端随机森林回归几种机器学习方法学习了铅基钙钛矿铁电固溶体居里温度的习性,进一步通过5次10折交叉验证方法对学习效果进行验证和超参数优化,从而得到上述机器学习方法对材料居里温度的预测值与实验值之间的平均误差分别为14.4 K、14.7 K、16.1 K。将这三种机器学习模型堆叠在一起构成集成模型,集成优化三种回归方法模型在交叉验证中获得更小的平均误差,13.9 K。最后,论文对超过20万种铅基钙钛矿材料使用集成模型预测了相应的居里温度,得到两种可能具有高居里温度的铁电材料。