机器学习可简化可持续性复合材料的识别工作

复合材料中的一些组分可能不具有可持续性，因此许多公司正在寻找替代的复合材料。但是这些替代物与原来的材料相比可能会降低性能，这不仅受制于单个组成材料的特点，如它们的物理化学性质，各组成材料之间的相互作用也会影响复合材料的整体性能。

柯尼卡美能达公司（Konica Minolta Inc.）的助理经理Michihiro Okuyama在一份公司声明中解释说，仅凭人类的经验和直觉找到一种新的复合材料，使其达到与原始材料相同的性能，需要很长的时间，科研人员必须为此评估无数的材料，同时还要考虑到它们之间的相互作用。

为了加快这一过程，柯尼卡美能达和日本奈良科学技术研究所（Nara Institute of Science and Technology）的研究人员开发了一种机器学习方法，根据材料特征和性能之间的关系，在许多材料中进行快速搜索。

当组成材料的特性未知时，预测性搜索就很困难。为了克服这一限制，研究人员开发了一种新型的机器学习方法来寻找替代材料。这种新方法可以定量评估成分材料之间的相互作用，以揭示它们对复合材料的整体性能贡献有多大。然后，该方法搜索具有与原始材料类似性能的替代成分。

研究人员通过为一款由三种材料组成的复合材料寻找替代成分材料来测试他们的方法——分别属于树脂、填充物和添加剂。他们通过实验评估了由机器学习确定的替代材料的性能，发现它们与原始复合材料相似，证明了该模型的有效性。他们的工作发表在《先进材料的科学与技术：方法》杂志上。

研发人员表示，在开发构成复合材料的替代品时，新的机器学习方法消除了通过试验和错误测试大量候选材料的需要，既节省了时间又节省了金钱。