The synthesis and development of novel materials for soft electronics, health monitoring, etc, have become a research hotspot. Traditional laboratory synthesis is significantly time and resource consuming. Machine learning therefore becomes an ideal approach for expediting the experimental process, constructing a virtual and automated closed-loop material synthesis, and evaluation approach. In this work, we combined piezoelectric materials’ synthesis with machine learning to achieve automatic design optimization. A total of 300 samples with different material recipes were used to train the initial active learning model. Thereafter, more samples were fabricated based on the recommended feasible recipes for each learning loop and then proceeded to the next round of learning. Through 10 active learning loops, 105 piezoelectric samples were stage-wise fabricated. Moreover, a reverse design model based on Bayesian optimization is demonstrated, and Spearman rank correlation coefficient and P values revealed the rules for the synthesis of piezoelectric materials. Finally, according to the setup model, we fabricate optimized piezoelectric materials and demonstrate their application in cycling monitoring. We anticipate this work establishes an essential approach to accelerate the development of new materials.
随着柔性电子设备和健康监测技术的飞速发展，新型功能材料的合成与开发已成为当前科研领域的热点。然而，传统的实验室材料合成方法往往面临周期长、资源消耗大以及试错成本高等严峻挑战，严重制约了新材料的研发效率。针对这一瓶颈问题，本研究旨在探索将机器学习技术深度融入材料研发流程的可行性，构建一个虚拟化的自动化闭环合成与评估体系。我们的核心目标是利用主动学习算法优化压电材料的配方设计，从而显著缩短从概念提出到实验验证的时间周期，为软电子器件和生物监测应用提供高效的材料解决方案。
本研究采用了一种基于复合决策机制的主动学习策略来指导压电材料的自动化合成与筛选过程。研究团队首先构建了包含300个具有不同材料配方的初始样本数据集，用于训练基础的主动学习模型。在此基础上，系统根据算法推荐的可信配方在每一轮学习中自动制备新的实验样品，并立即进行性能测试以更新模型参数。该流程通过10次完整的主动学习迭代循环展开，累计分阶段成功合成了105个高性能压电材料样本。此外，研究还引入了一种基于贝叶斯优化的逆向设计模型，用于从目标性能反推最佳合成路径，实现了数据驱动的材料发现范式转变。
实验结果表明，通过多轮次的主动学习迭代，系统能够高效地识别出关键工艺参数与最终压电性能之间的非线性关联。统计分析显示，Spearman秩相关系数显著且P值具有统计学意义，这揭示了压电材料合成过程中的内在规律和决定性因素。基于逆向设计模型构建的优化配方成功指导了高性能压电材料的制备，其优异的电学响应特性在随后的循环监测应用中得到了充分验证。这一发现不仅证实了机器学习算法在复杂多变量材料体系中的预测能力，也展示了从数据中挖掘科学规律的可行性，为理解合成条件与微观结构演变提供了新的视角。
本工作建立了一套加速新材料开发的通用方法论，对于推动压电材料及软电子器件的产业化进程具有重要的战略意义。尽管该研究成功验证了主动学习在材料发现中的有效性，但目前的模型仍主要依赖于特定类型的复合材料体系，其泛化能力在不同化学组分间的迁移性尚需进一步评估。未来的工作将致力于扩展训练数据集的范围，探索更复杂的非线性优化算法，并尝试将该闭环系统应用于更多种类的生物相容性功能材料的开发中。通过持续迭代与验证，我们期望这一技术框架能够成为连接材料计算模拟与实际实验合成的关键桥梁，最终实现新材料研发的全面智能化和自动化。
Le développement et la synthèse de nouveaux matériaux pour l'électronique souple, le suivi de santé et d'autres applications connexes sont devenus un domaine de recherche majeur. Cependant, les méthodes traditionnelles de synthèse en laboratoire s'avèrent considérablement consommatrices de temps et de ressources, freinant ainsi l'innovation rapide dans ce secteur. Pour surmonter ces défis, cette étude vise à intégrer le machine learning au processus de découverte de matériaux afin d'accélérer la conception automatique et l'évaluation des propriétés piézoélectriques. L'objectif principal est de construire une approche virtuelle et automatisée en boucle fermée qui permettrait d'optimiser les recettes expérimentales, réduisant ainsi considérablement le temps nécessaire pour identifier des candidats prometteurs dans le domaine des matériaux fonctionnels avancés.
Notre méthodologie repose sur l'utilisation de l'apprentissage actif assisté par une prise de décision composite pour guider la synthèse et la sélection des matériaux piézoélectriques. Un modèle initial a été entraîné à partir d'un ensemble de données comprenant 300 échantillons présentant diverses recettes matérielles différentes. Sur cette base, le système recommande itérativement les recettes réalisables pour chaque boucle d'apprentissage, permettant la fabrication ciblée de nouveaux échantillons suivie immédiatement par leur évaluation expérimentale. Ce processus a été répété sur dix cycles complets d'apprentissage actif, aboutissant à la synthèse échelonnée de 105 échantillons piézoélectriques optimisés. Parallèlement, un modèle de conception inverse basé sur l'optimisation bayésienne a été mis en œuvre pour inverser le processus de découverte.
Les résultats principaux démontrent que les règles sous-jacentes à la synthèse des matériaux piézoélectriques ont pu être clairement identifiées grâce aux analyses statistiques. Le coefficient de corrélation par rang de Spearman et les valeurs P obtenus révèlent avec précision les relations entre les paramètres de synthèse et les performances finales, validant ainsi l'efficacité du modèle d'apprentissage actif. En appliquant le modèle établi pour la conception inverse, nous avons réussi à fabriquer des matériaux piézoélectriques optimisés dont les propriétés ont été démontrées dans une application concrète de suivi cyclique. Ces données confirment que l'algorithme peut non seulement prédire avec succès les compositions idéales mais aussi extraire des connaissances scientifiques fondamentales sur la relation structure-propriété au sein du système composite étudié.
Ce travail établit une approche essentielle pour accélérer le développement de nouveaux matériaux, offrant un cadre robuste pour l'innovation dans le domaine des biomatériaux et de l'électronique flexible. Bien que les résultats soient prometteurs, il convient de noter certaines limitations actuelles, notamment la dépendance du modèle à la qualité initiale des données d'apprentissage et sa généralisation potentielle limitée à d'autres familles chimiques non explorées dans cette étude spécifique. Les travaux futurs se concentreront sur l'élargissement de la base de connaissances pour inclure une plus grande variété de systèmes matériaux et sur le raffinement des algorithmes d'optimisation bayésienne pour gérer des espaces de paramètres encore plus complexes. L'intégration continue de ce système en boucle fermée promet de transformer radicalement les paradigmes actuels de la recherche expérimentale en science des matériaux.
ソフトエレクトロニクスやヘルスモニタリングなどの分野における新規材料の合成と開発は、現在研究の最前線となっています。しかしながら、従来の実験室での合成プロセスは時間と資源を著しく消費するため、新材料の開発速度に大きなボトルネックが生じています。本研究では、この課題に対処し、機械学習技術を組み合わせて自動設計最適化を実現することを目的としています。具体的には、仮想かつ自動化された閉ループ型の材料合成および評価アプローチを構築することで、実験プロセスの効率化を図り、従来の試行錯誤型手法に代わる新たなパラダイムを提供することを目指しています。
本稿では、複合意思決定に基づく能動学習（Active Learning）を活用した圧電性材料の自動合成戦略を採用しました。まず、異なる材料レシピを持つ300個のサンプルを用いて初期モデルを訓練し、その後に各学習ループで推奨される実現可能なレシピに基づき新たなサンプルを製造・評価するサイクルを繰り返します。このプロセスは10回の能動学習ループを経て実施され、段階的に105個の圧電性サンプルが合成されました。さらに、ベイズ最適化に基づく逆設計モデルも実証されており、これにより目標性能から最適な合成条件を導き出すことが可能となりました。
主要な知見として、Spearman順位相関係数およびP値を用いた統計解析を通じて、圧電性材料の合成における明確な規則性が明らかにされました。これらの指標は、学習モデルが材料特性と合成パラメータ間の複雑な関係を正確に捉えていることを示しています。最終的に、構築されたモデルに基づいて最適化された圧電性材料を製造し、その実用性を循環モニタリング応用の文脈で実証しました。この結果は、機械学習アルゴリズムが単なる予測ツールを超え、科学的知見の抽出と新材料設計への直接的な貢献を果たすことを裏付けています。
本研究は、新規材料の開発を加速するための本質的なアプローチを確立した点に大きな意義があります。しかしながら、現在のモデルはまだ特定の複合系に限定されており、他の化学組成群への一般化能力についてはさらなる検証が必要です。今後の課題としては、学習データの範囲拡大やアルゴリズムの高度化に加え、より複雑な材料体系における適用可能性の評価が挙げられます。この閉ループシステムを継続的に発展させることで、計算科学と実験科学の融合を深化させ、新材料発見のプロセス全体を自動化・効率化する未来への道筋を示すことが期待されます。
La síntesis y el desarrollo de nuevos materiales para la electrónica blanda, el monitoreo de salud y otras aplicaciones emergentes se han convertido en un foco central de investigación actual. Sin embargo, los métodos tradicionales de síntesis en laboratorio consumen significativamente tiempo y recursos, lo que limita drásticamente la velocidad de innovación. Para abordar este desafío, esta investigación tiene como objetivo integrar técnicas de aprendizaje automático para lograr el diseño automatizado y optimización de materiales piezoeléctricos. El propósito principal es establecer un enfoque virtual y automatizado de bucle cerrado para la síntesis y evaluación de materiales, acelerando así el proceso experimental y reduciendo los costos asociados con el descubrimiento tradicional basado en ensayo y error.
En este trabajo, combinamos la síntesis de materiales piezoeléctricos con aprendizaje asistido por una toma de decisiones compuesta para lograr un diseño automático. Se utilizaron 300 muestras iniciales con diferentes recetas de material para entrenar el modelo base de aprendizaje activo. Posteriormente, se fabricaron nuevas muestras basadas en las recetas factibles recomendadas por el algoritmo en cada bucle de aprendizaje, procediendo a la siguiente ronda tras su evaluación. A través de 10 bucles completos de aprendizaje activo, se fabricaron escalonadamente un total de 105 muestras piezoeléctricas optimizadas. Además, se demostró un modelo de diseño inverso basado en optimización bayesiana para predecir las condiciones óptimas a partir de los objetivos deseados.
Los hallazgos principales revelan que el coeficiente de correlación por rangos de Spearman y los valores P indican claramente las reglas subyacentes para la síntesis de materiales piezoeléctricos. Estos resultados estadísticos validan la capacidad del modelo para identificar patrones complejos en datos experimentales multidimensionales. Basándonos en este modelo establecido, fabricamos materiales piezoeléctricos optimizados y demostramos su aplicación efectiva en el monitoreo cíclico. La evidencia sugiere que el enfoque de aprendizaje activo no solo acelera la búsqueda de composiciones ideales sino que también proporciona una interpretación científica profunda sobre cómo los parámetros de síntesis influyen en las propiedades finales del material.
Este trabajo establece un enfoque esencial para acelerar el desarrollo de nuevos materiales, ofreciendo un marco robusto para futuras innovaciones en ciencia de materiales. Aunque los resultados son prometedores, es importante reconocer limitaciones actuales, como la dependencia inicial de la calidad y cantidad de datos de entrenamiento y la necesidad de validar la generalización del modelo a otras familias químicas no exploradas en este estudio específico. El trabajo futuro se centrará en expandir el conjunto de datos para incluir una mayor diversidad de sistemas materiales y refinar los algoritmos de optimización bayesiana para manejar espacios de parámetros más complejos, asegurando así que esta metodología pueda aplicarse ampliamente a la síntesis automatizada de biomateriales avanzados.
أصبح تركيب وتطوير مواد جديدة للإلكترونيات اللينة ومراقبة الصحة وغيرها من التطبيقات نقطة محورية في البحث العلمي الحالي. ومع ذلك، فإن طرق التركيب التقليدية في المختبرات تستهلك وقتًا وموارد بشكل كبير، مما يعيق الابتكار السريع. تهدف هذه الدراسة إلى دمج تقنيات التعلم الآلي لتحقيق التصميم الأمثل التلقائي للمواد الكهرضغطية. يهدف العمل الرئيسي إلى بناء نهج افتراضي وآلي مغلق الحلقة لتركيز وتقييم المواد، مما يسرع العملية التجريبية ويقلل من الاعتماد على الطرق التقليدية التي تعتمد بشكل كبير على التجربة والخطأ في اكتشاف مواد وظيفية متقدمة.
في هذا البحث، قمنا بدمج تركيب المواد الكهرضغطية مع التعلم النشط المعزز باتخاذ قرار مركب لتحقيق التصميم الآلي. تم استخدام ما مجموعه 300 عينة ذات وصفات مادية مختلفة لتدريب نموذج التعلم النشط الأولي. وبناءً على ذلك، تم تصنيع المزيد من العينات استنادًا إلى الوصفات القابلة للتنفيذ الموصى بها في كل حلقة تعلم، ثم الانتقال إلى الجولة التالية من التعلم. عبر 10 دورات من التعلم النشط، تم تصنيع 105 عينة كهرضغطية بشكل تدريجي. علاوة على ذلك، تم إظهار نموذج تصميم عكسي يعتمد على التحسين البايزي، مما يسمح بالتنبؤ بالوصفات المثلى بناءً على الخصائص المستهدفة.
تُظهر النتائج الرئيسية أن معامل ارتباط رتبة سبيرمان وقيم P قد كشفوا عن القواعد الأساسية لتركيب المواد الكهرضغطية. هذه المؤشرات الإحصائية تؤكد قدرة النموذج على تحديد العلاقات المعقدة بين معاملات التركيب والأداء النهائي للمادة. بناءً على النموذج المُعد، قمنا بتصنيع مواد كهرضغطية محسنة وأظهرنا تطبيقها في مراقبة الدورات. تثبت هذه النتائج أن خوارزميات التعلم الآلي لا يمكنها فقط التنبؤ بتركيبات مثالية ولكن أيضًا استخلاص معرفة علمية أساسية حول كيفية تأثير ظروف التركيب على البنية الدقيقة والخصائص النهائية للمادة.
يُعد هذا العمل نهجًا جوهريًا لتسريع تطوير مواد جديدة، مما يقدم إطار عمل قوي للابتكار في مجال المواد الحيوية والإلكترونيات المرنة. ومع ذلك، يجب الاعتراف ببعض القيود الحالية، مثل اعتماد النموذج على جودة البيانات الأولية وضرورة تقييم تعميمه على مجموعات كيميائية أخرى لم يتم استكشافها في هذه الدراسة المحددة. ستركز الأعمال المستقبلية على توسيع مجموعة بيانات التدريب لتشمل تنوعًا أكبر من الأنظمة المادية وتحسين خوارزميات التحسين البايزي للتعامل مع مساحات معاملات أكثر تعقيدًا، مما يضمن أن تصبح هذه المنهجية حجر الزاوية في البحث العلمي الحديث.