基于机器学习的软质多功能混合液态金属复合材料逆向设计

软功能材料对于可穿戴设备和可拉伸电子器件满足多种性能需求至关重要。含有液态与固态夹杂物的混合填料复合材料（氢氟烃）能够提供定制化的性能特性。然而，通过传统的试错法确定最佳成分既成本高昂、效率低下，还会产生大量材料浪费。我们提出了一种针对混合液态金属复合材料的逆向设计框架，该框架结合了基于物理均匀化模型的数据生成、机器学习（ML）算法以及贝叶斯优化技术，以实现实验的智能设计。该框架针对多种聚合物和固态填料探索了约690,000种复合材料配方，在实现热导率、弹性及密度的精准优化的同时，最大限度减少材料用量，并揭示了关键的成分-性能关系。随机森林回归模型与生成模型之间的对比研究为识别可合成复合材料提供了实用策略。经逆向设计的HFC材料实现了约2.4W/(m⋅K)的热导率，是液态金属复合材料的1.6倍、聚合物的12倍，同时保持低模量、高应变力学性能（0.93MPa，155%应变），且成本更低。将其集成到柔性电子器件和热电元件中可显著提升热管理与能量收集性能。本研究建立了一种实用的、基于机器学习的逆向设计范式，用于指导多功能复合材料的开发，并可轻松扩展至其他材料体系及性能领域。

文章核心创新点：

1.研发范式的根本性转变（逆向设计替代试错法）

突破传统复合材料研发中“制备-表征-调整”的试错循环，首创性地提出基于机器学习的“逆向设计”框架。该框架直接从目标性能（导热、力学、密度）出发，反向推导最优成分配方，从根本上解决了传统方法成本高、效率低、材料浪费严重的痛点。

2.三引擎驱动的高效搜索策略（物理+ML+贝叶斯）

构建了独特的协同算法架构：物理均匀化模型负责高效生成海量高保真训练数据（无需大量真实实验）+机器学习（随机森林等）负责快速映射成分-性能关系+贝叶斯优化负责全局智能寻优。这一组合使得在近69万种配方空间中能够以极少的迭代次数锁定全局最优解。

3.合成可行性的前置于评估（生成模型与回归模型的对比策略）

区别于仅追求理论性能极值的常规优化，本研究创新性地引入生成模型与随机森林回归模型的对比机制。这一策略并非单纯预测性能，而是用于在优化早期就识别和筛选出具备实际合成可行性的配方，有效避免了算法推荐出“理论上完美但现实中无法制备”的虚解。

4.多目标约束下的极端性能突破（同时解决“导热-柔性”矛盾）

实现了对热导率、弹性模量、密度及材料用量的多维度精准协同优化。最终材料在保持极低模量（0.93MPa）和高断裂应变（155%）的柔性力学特征下，将热导率推至~2.4W/(m·K)（分别达到纯聚合物的12倍和常规液态金属复合材料的1.6倍），成功打破了软材料中高导热与高柔性难以兼得的技术壁垒。

5.全链条应用验证与普适性拓展

不仅停留在材料制备，更进一步将逆向设计的HFC材料集成至柔性电子器件和热电元件中，通过实际应用场景（热管理与能量收集）验证了设计值的有效性。同时，该框架被明确定义为可轻松扩展至其他材料体系（如不同聚合物/填料）和更多性能维度的通用型平台范式，而非仅适用于当前体系的特解。

研究背景

柔性弹性体复合材料因力学柔顺性好、填充后热学性能可显著提升，在可穿戴电子器件与软体机器人领域广泛应用。液态金属弹性体复合材料（LMECs）将液态金属微液滴分散于聚合物基体中，可在不明显增大刚度前提下提升导热性，但液态金属填充量受限于分散稳定性和渗漏问题，性能可调范围有限。为突破此限制，可引入第二相固体填料（金属或陶瓷颗粒）制备杂化填料复合材料（HFCs），构建独立导热通路、实现力学增强或密度调控，大幅提升性能可调性与设计自由度。已有研究证实，氮化硼、铁粉、铜粉等可强化导热导电；空心玻璃微珠可降低密度且导热衰减极小；磁性颗粒可赋予外磁场驱动功能。然而，HFCs组分设计空间维度极高，实验试错耗时，且缺乏高效指导合成与结构设计的理论框架。多步森田-田中（MMT）模型可正向预测弹性模量与导热系数，但无法反向求解目标性能对应的组分配比。机器学习已成为复合材料逆向设计的有力工具，在力学强度预测、4D打印逆向设计、超材料性能预测等方面展现优势，但含液态与固态双相填料的HFCs数据驱动逆向设计仍未见报道，多相填料带来的高维复杂性是核心制约。本文构建融合弹性力学理论、机器学习与优化算法的逆向设计框架：以目标性能（弹性模量、导热系数、密度等）为输入，反向求解可行的基体与填料组合方案。具体流程为：先用MMT模型基于给定组分预测性能，拓展设计空间；再基于扩充数据集训练随机森林（RF）回归模型，学习组分-性能映射关系。该方案是首套系统性构建HFCs设计空间的数据驱动框架。框架搭载两种逆向搜索策略：基于条件变分自编码器（cVAE）的生成式模型适用于大范围组分遍历；RF耦合贝叶斯优化（RF+BayesOpt）更适配约束明确的有限搜索空间，可输出离散、可制备的组分配比，且具备可解释性与高泛化性。综合可实现性，最终选用RF+BayesOpt开展智能实验设计。验证案例中，设定目标为弹性模量1.5MPa、导热系数2W/(m·K)、密度4g/cm³，逆向求解配方并制备，实测性能与目标高度吻合。所有制备结果显示：填料总体积填充率达60%时，实验误差控制在20%以内；补充数据迭代后可降至10%，框架具备良好自适应能力。为验证实际应用价值，借助该体系研发了一款含液态金属与固体填料的HFCs，兼具高导热、低力学阻抗、低密度优势，可作热界面材料（TIM）用于柔性电路散热或柔性热电发电机（TEG）导热层。选定配方（Sil-933基体中液态金属50.2%、氧化铝4.9%）各项性能均衡且可稳定制备，用作柔性TEG界面层后，开路电压较纯聚合物界面层提升约59%。该框架通用性强，可面向可穿戴设备、柔性电子、能源系统等领域定向开发多功能复合材料。

结果解析

基于机器学习（ML）指导的、可实验实现的、针对具有目标性能的混合填料复合材料（氢氟烃）的逆向设计框架

HFC设计空间的数据生成与探索

氢氟烃逆向设计框架的可视化与性能评估

多功能复合材料优化与模型改进的逆向设计框架演示

针对热调节及可拉伸热电应用的逆向设计复合材料演示

研究结论

在本研究中，我们建立了一个面向应用的逆向材料设计框架，首次将微力学建模、机器学习和优化算法相结合，以加速可实验实现的混合填料复合材料的发现。该框架采用基于物理的均质化模型与机器学习模型相结合的方法，阐释了聚合物种类、夹杂物类型、体积分数以及复合材料弹性模量、热导率和密度之间的组成-性能关系。这些关系首先通过相关性分析对约690,000种涵盖23种聚合物和24种含LM夹杂物的固体颗粒的HFC配方进行了系统量化。我们将基于cVAE的生成式方法与整合RF代理函数和BayesOpt的优化方法进行了比较。结果表明，优化方法更适用于实验实现，因其将搜索过程限定于离散设计空间内。机器学习引导的单目标及多目标实验表明，即使在高填料体积分数（约60%）条件下，所设计的材料组成仍能在约20%的偏差范围内达到目标性能。将实验数据纳入RF模型后，预测精度进一步提升，偏差降至约10%。作为应用导向的验证案例，该框架识别出一种新型HFC：其在Sil-933基体中包含50.2vol%的LM和4.9vol%的氧化铝。这种iD-HFC材料的热导率提高了约60%，同时材料成本降低了约10%，且保持了与聚合物基体相当的机械柔韧性和拉伸性能。红外热成像和拉伸测试结果证实，iD-HFC具备优异的散热效率和机械顺应性，可作为柔性电子领域高性能的热界面材料。在器件层面，采用iD-HFC界面层与三维散热片的热电发电机，在不同工作条件下展现出显著优于使用LMEC或纯聚合物层的器件的能量收集性能。这些研究结果表明，这种逆向设计框架为实验智能设计以及利用机器学习加速开发具有多样化应用需求的多功能复合材料提供了通用化解决方案。

技术来源：https://doi.org/10.1002/adfm.75719