专栏名称: 高分子科技

高分子科技®做为全球高分子产业门户及创新平台“中国聚合物网www.polymer.cn”的新锐媒体，实时报道高分子科学前沿动态，关注和分享新材料、新工艺、新技术、新设备等一线科技创新设计、解决方案，促进产学研及市场一体化合作的共同发展。

中科院长春应化所 AM: 发明“机器学习增强试错法” - 实现橡胶配方高效、极限优化，已应用于高技术装备制造

高分子科技 · 公众号 · 化学 · 2025-03-14 13:05

正文

点击上方 “ 蓝字 ” 一键订阅

在橡胶复合材料的性能优化领域，虽然传统的试错法有效，但存在效率低下的问题。最新的机器学习辅助方法也不适用于预测和优化橡胶复合材料的性能。这是因为这些性能依赖于加工条件，这导致从不同来源收集的数据无法对齐。在本研究中，提出了一种称为“机器学习增强型试错法”的新工作流程。该方法将正交实验设计与符号回归相结合，以提取经验原理。这种结合使得优化过程保留了传统试错法的特点，同时显著提高了效率和能力。以橡胶复合材料为模型体系，机器学习增强型试错法有效提取了符号回归所得数学公式中高频项所蕴含的经验原理，为材料性能优化提供了明确指导。本研究还开发了一个在线平台，该平台无需编写代码即可使用所提出的方法，旨在无缝集成到现有的实验优化流程中。

橡胶复合材料是航空航天、高端装备的关键材料，其耐极端环境性能依赖于多组分配方的精准调控。传统试错法研发周期长、成本高，严重制约后发国家的技术突破。尽管机器学习为材料设计提供了新思路，但橡胶加工中的非平衡态结构演变导致性能依赖于加工条件，因此难以构建规模化的数据库。如何融合传统经验与数据智能，实现高效精准的材料设计，已成为该领域亟待突破的难题之一。

图1. (A)传统试错法与(B)机器学习增强试错法的工作流程对比

使用试错法优化橡胶复合材料的配方需要经历一个由实验、观察、分析和调整构成的迭代循环（图1A）。在这个循环中，每次仅改变一个变量，这个变量可以是某一组分的含量，也可以是一个加工参数。尽管这种方法效率低下，但它能够提炼出将性能与变量相关联的经验原理。为了提升试错法的效率，中国科学院长春应用化学研究所研究团队开发了一种名为“机器学习增强试错法”的创新方法，这种方法通过将正交实验设计与符号回归算法相结合，将试错法一次变一个变量改为一次变多个变量，利用符号回归提取若干变量同时变化时性能与变量之间的数学关系（图1B）。

图2. 符号回归算法提取的数学公式及其高频项分析方案（以定伸应力为例）

在具体操作过程中，研究团队采用空间中均匀分布的正交实验设计构建小数据集，随后利用符号回归算法在数学表达式空间中进行搜索，构建配方与性能之间的可能数学表达式。通过对大量数学表达式的分析，团队发现某些高频出现的项（高频项）在公式中起到了主导作用（见图2）。通过对这些高频项进行深入挖掘与分析，能够有效提炼出潜藏其中的经验规律。基于此，他们可以有针对性地对橡胶配方进行精细调控，达成诸如提升强度、增强韧性、改善耐候性等多目标的协同优化，使橡胶复合材料更好地满足不同应用场景的严苛需求。不仅如此，基于所习得的经验规律，能够跨越训练集中数据所设下的边界藩篱。通过对经验的有效外推，从而进一步大幅提升材料的综合性能（见图3）。

图3. 数学公式实现的多目标优化与经验规律完成的外推取值

以聚异戊二烯橡胶复合材料为模型体系，实验结果表明，该方法高效地完成了单目标优化和多目标平衡的任务。此外，该方法还展现出与传统试错法高度相似的优点：通过数学公式表达的配方性能关系，不仅具有稳定的外推能力，还展现出强大的误差容忍能力；获取的经验规律则表现出卓越的跨体系迁移能力（见图4）。

图4. 获取的经验规律的跨体系迁移性与机器学习增强试错法的误差容忍能力

综上所述，与传统机器学习方案试图取代试错法不同，作者提出利用机器学习技术增强传统试错法的策略，在保留试错法可提炼数据经验规律的同时，极大的提升了优化效率。目前，该方法已应用于高技术领域，并有望拓展至其他适用于试错法的领域。相关成果以“Machine-Learning-Enhanced Trial-and-Error for Efficient Optimization of Rubber Composites ” 为题发表在《 Advanced materials 》上。第一作者为中国科学院长春应用化学研究所的邓伟博士，通讯作者为长春应化所 杨小牛 研究员和 王大鹏 研究员。

中科院长春应化所 AM: 发明“机器学习增强试错法” - 实现橡胶配方高效、极限优化，已应用于高技术装备制造

正文

请到「今天看啥」查看全文