数据驱动的双模态网络介电弹性体设计：迈向高性能人工肌肉的AI辅助材料开发新范式

本综述系统介绍了AI辅助设计框架在双模态网络介电弹性体（DE）开发中的突破性应用。通过融合实验数据与机器学习模型（NN和SVM），实现了对材料力学性能的精准预测、机电失稳（EMI）抑制行为的可靠分类，以及基于性能目标的逆向材料配方设计。该研究为高性能人工肌肉材料的开发提供了可量化、高效率的新范式，显著加速了软体机器人领域的功能性材料创新。

　　

引言

介电弹性体（DEs）作为一种具有机械柔性和机电响应特性的软电活性材料，在软体机器人、可穿戴设备和能量收集装置等领域展现出广阔应用前景。其能够在电场作用下实现大应变、高顺应性和快速驱动，是理想的人工肌肉材料。双模态网络DEs因其可调节的力学性能和机电失稳（EMI）抑制能力而成为高性能DEs的重要分支，但其发展受限于复杂的合成工艺和依赖经验试错的传统开发模式。

实验设计与AI辅助框架构建

研究以典型双模态网络DE材料——可加工高性能介电弹性体（PHDE）为模型体系，通过系统调节长链交联剂（CN9021）、短链交联剂（PNPDA）和软共聚单体（BA）的配比，构建了包含30种配方的实验数据集。研究团队开发了集成神经网络（NN）与支持向量机（SVM）的AI辅助设计框架：NN模型负责建立化学成分与力学性能之间的非线性映射关系，实现Young's modulus、断裂应变、最大强度、临界应力、临界应变和斜率比等六个关键参数的精准预测；SVM模型则基于应力-应变曲线提取的特征参数，对材料的EMI抑制行为进行二分类预测。

材料表征与数据集特征分析

通过系统实验测量，研究发现通过调节三种组分的比例，PHDE的力学性能可在宽范围内调控。线性回归分析表明，PNPDA对Young's modulus（60.89%）和最大强度（62.94%）贡献最大，CN9021对断裂应变影响最为显著（41.72%），而BA则主要影响材料的弹性行为。在机电性能方面，低电场（20-40 V/μm）下CN9021和PNPDA主导变形行为，高电场（>50 V/μm）下BA的影响显著增强，但同时增加了EMI风险。理论模拟进一步证实，增加短链交联剂含量可通过应变硬化效应降低EMI敏感性。

机器学习模型性能评估

NN模型在力学性能预测方面表现出色，各项参数的确定系数（R²）介于0.823-0.975之间，均方根误差（RMSE）值分别为：Young's modulus 0.086 MPa、最大强度0.546 MPa、断裂应变0.082%、临界应力0.119 MPa、临界应变0.040%、斜率比0.339。SVM模型在EMI分类任务中表现优异，训练准确率达96%，测试准确率达100%，且在所有预测中均未出现漏报（false negative），这对于确保DE器件的安全可靠性至关重要。

通过与其他机器学习算法（线性回归、支持向量回归、随机森林等）的系统对比，NN和SVM在各自任务中均显示出最佳性能。研究还探讨了数据集规模对模型性能的影响，发现当训练样本数达到20时，NN预测性能趋于稳定，表明当前数据集规模已接近满足稳健预测的要求。

逆向设计与实验验证

基于训练好的NN模型，研究团队开发了逆向设计流程，通过Powell优化算法实现了从性能目标到材料配方的反向映射。为验证逆向设计效果，研究人员根据三种不同的机械性能目标（高刚度适中延展性、低刚度高延展性等）生成了相应的PHDE配方，并进行了实验制备和测试。结果显示，实验测量值与目标值高度吻合，各项参数的RMSE均保持在较低水平（Young's modulus 0.0738 MPa、最大强度0.4990 MPa等），且所有样品均通过了SVM模型的EMI抑制验证。

软体抓取器应用示范

为展示AI设计材料的实用价值，研究团队制备了一种双层结构的软体抓取器：采用高刚度配方（Sample II，Young's modulus ≈1.2 MPa）作为被动结构层，低刚度配方（Sample III，Young's modulus ≈0.6 MPa）作为主动驱动层。该抓取器采用五层PHDE堆叠结构（每层40 μm），以单壁碳纳米管（SWCNT）为柔性电极，顶部结合230 μm厚PDMS层增强耐久性。实验证明，该抓取器无需预拉伸即可稳定工作，能够抓取相当于自身重量25倍的负载，并在100次连续电驱动循环中保持性能稳定，表现出优异的实用性和可靠性。

结论

本研究成功建立了数据驱动的双模态网络DEs设计框架，通过机器学习方法实现了材料性能的精准预测、EMI行为的可靠分类以及基于性能目标的逆向配方设计。该框架显著减少了实验工作量，加速了高性能人工肌肉材料的开发进程，为软体机器人、可穿戴设备等领域的创新提供了强有力的技术支撑。研究所展示的软体抓取器应用实例，充分证明了AI辅助材料设计方法的实用价值和广阔前景。