熱塑性彈性體材料數位設計及反向生成

熱塑性彈性體是一種同時保有熱塑性(當溫度高於Tg)和彈性體(常溫)特性的聚合物，為了它能夠同時擁有兩者的優點。傳統設計彈性體的方法多為使用模擬軟體分析，基於分子動力學和分子作用力理論(physics based model)預測性質。此種分析方式雖然技術成熟，但在材料開發上的時程較長，且多數只支援正向預測，即通過製程參數預測成品性質，但無法設定成品目標特性來提供參數設定的建議。因此，基於資料驅動(data driven)的機器學習模型為加速開發時程和提供反向設計提供了新的思路並能夠加速材料的開發時程。

如圖所示，在正向預測部分，我們以訓練資料通過神經網路進行預測學習，基於人工神經元模型的機器學習技術進行模式識別。反向設計部分，通過貝葉思優化設計(Bayesian Optimization)，加速反向分成預測並輸出建議參數設計給使用者。