在橡胶复合材料的性能优化领域，虽然传统的试错法有效，但存在效率低下的问题。最新的机器学习辅助方法也不适用于预测和优化橡胶复合材料的性能。这是因为这些性能依赖于加工条件，这导致从不同来源收集的数据无法对齐。在本研究中，提出了一种称为“机器学习增强型试错法”的新工作流程。该方法将正交实验设计与符号回归相结合，以提取经验原理。这种结合使得优化过程保留了传统试错法的特点，同时显著提高了效率和能力。以橡胶复合材料为模型体系，机器学习增强型试错法有效提取了符号回归所得数学公式中高频项所蕴含的经验原理，为材料性能优化提供了明确指导。本研究还开发了一个在线平台，该平台无需编写代码即可使用所提出的方法，旨在无缝集成到现有的实验优化流程中。

图1. (A)传统试错法与(B)机器学习增强试错法的工作流程对比

图2. 符号回归算法提取的数学公式及其高频项分析方案（以定伸应力为例）

图3. 数学公式实现的多目标优化与经验规律完成的外推取值

图4. 获取的经验规律的跨体系迁移性与机器学习增强试错法的误差容忍能力

  原文链接：https://advanced.onlinelibrary.wiley.com/doi/10.1002/adma.202407763