设计具有定制电气和机械性能的超轻导电气凝胶对于各种应用都至关重要。传统方法依赖于在广阔的参数空间中进行迭代、耗时的实验。在此，开发了一种集成的工作流程，将协作机器人与机器学习相结合，以加速具有可编程特性的导电气凝胶的设计。操作自动移液机器人以不同的比例/负载制备 264 种 Ti3C2Tx MXene、纤维素、明胶和戊二醛混合物。冷冻干燥后，评估气凝胶的结构完整性以训练支持向量机分类器。通过 8 个主动学习周期和数据增强，通过机器人自动化平台制造/表征了 162 种独特的导电气凝胶，从而可以构建人工神经网络预测模型。预测模型执行双向设计任务：(1) 根据制造参数预测气凝胶的物理化学性质和 (2) 针对特定属性要求自动进行气凝胶的逆向设计。模型解释和有限元模拟的结合使用验证了气凝胶密度和抗压强度之间的明显相关性。模型建议的气凝胶具有高导电性、定制强度和压力不敏感性，可实现压缩稳定的焦耳加热，以实现可穿戴热管理。
图 1. a 自动移液机器人（即 OT-2 机器人）加速的导电气凝胶制造过程示意图。加入了四种构建块，包括 MXene 纳米片、纤维素纳米纤维 (CNF)、明胶和戊二醛 (GA)。通过调节 MXene/CNF/明胶/GA 比率和混合物负载（即水性混合物的固体含量），可以控制导电气凝胶的机械和电性能。b 264 种 MXene/CNF/明胶气凝胶，根据其结构完整性和整体性质分为不同等级。c 四张热图展示了在特定的 MXene/CNF/明胶比率和混合物负载下生产 A 级导电气凝胶的可能性。d 两种 MXene/CNF 气凝胶（比例为 80/20，浓度为 10 mg mL-1）的 C 1 s XPS 光谱，包括和不包括 GA 加入的情况。
图2. a 通过主动学习循环、数据增强和人机协作构建预测模型的多阶段 AI/ML 框架示意图。b 集成了 UR5e 机械臂和 Instron 压缩测试仪的自主测试平台。经过 8 次主动学习循环后，2D Voronoi 镶嵌图 (c) 未采用 GA 和 (d) 采用了 GA。e 基于线性回归、决策树、梯度提升决策树、随机森林和人工神经网络 (ANN) 算法的各种预测模型的平均绝对误差 (MAE)（顶部）和平均相对误差 (MRE)（底部）值。f 基于不同虚拟与现实数据比的各种 ANN 模型的 MAE（顶部）和 MRE（底部）值。
图 3. a 导电气凝胶（配方 #1 – #8）的实际应力-应变曲线与模型预测值的比较。b 导电气凝胶（配方 #1 – #8）的实际初始电阻与模型预测值的比较。c 通过输入特定的设计要求，冠军模型能够通过直接建议合适的制造参数集来自动化导电气凝胶的逆向设计过程，而无需进行迭代优化实验。插图显示了两种模型建议的导电气凝胶的 SEM 图像。d 导电气凝胶（配方 #9 – #14）的实际值与模型预测值（左）和（右）之间的比较。数据以平均值±sd 表示，n = 3，每个独立实验都用黑点或蓝点标记。e 导电气凝胶的可实现值和值的小提琴图。每个小提琴图中嵌入的箱线图表示第 25 和第 75 个百分位数，中位数由中心线表示。须线从箱线延伸至 1.5 ×IQR，n = 491,131。误差线表示标准差。
图 4. (a) MXene、CNF、明胶、GA 负载和混合物负载对导电气凝胶值的影响的归一化 SHAP 值。b 在相同的 MXene/CNF/明胶/GA 比率但不同的混合物负载下，导电气凝胶的 FE 模拟值与实验表征值之间的比较。数据以平均值±s.d. 表示，n = 3，每个独立实验都用空心黑色圆圈标记。c 高、中、低密度导电气凝胶在未压缩状态下的 SEM 图像。d 高、中、低密度气凝胶模型（来自 FE 模拟）在 30% 压缩下的局部应力分布曲线。e 高、中、低密度导电气凝胶在压缩状态下的 SEM 图像。误差线代表标准差。
图5. a 应变不敏感导电气凝胶的机器智能设计过程示意图。b – 模型建议的导电气凝胶的灵敏度曲线。c 应变不敏感导电气凝胶在 100 次 20% 压缩循环下的时间分辨相对电阻变化。d 应变不敏感导电气凝胶在不同施加电压下的温度-时间曲线。e 应变不敏感导电气凝胶在焦耳加热（1.0 和 1.5 V）下在其松弛和 20% 压缩状态下的时间分辨温度曲线。f 焦耳加热 1.5 V 下气凝胶夹套的热图像。
相关科研成果由马里兰大学Po-Yen Chen，Eleonora Tubaldi等人于2024年发表在Nature Communications（https://doi.org/10.1038/s41467-024-49011-8）上。原文：Machine intelligence accelerated design of conductive MXene aerogels with programmable properties
原文链接：https://doi.org/10.1038/s41467-024-49011-8
转自《石墨烯研究》公众号
