復合材料中的一些組分可能不具有可持續(xù)性，因此許多公司正在尋找替代的復合材料。但是這些替代物與原來的材料相比可能會降低性能，這不僅受制于單個組成材料的特點，如它們的物理化學性質(zhì)，各組成材料之間的相互作用也會影響復合材料的整體性能。

柯尼卡美能達公司（Konica Minolta Inc.）的助理經(jīng)理Michihiro Okuyama在一份公司聲明中解釋說，僅憑人類的經(jīng)驗和直覺找到一種新的復合材料，使其達到與原始材料相同的性能，需要很長的時間，科研人員必須為此評估無數(shù)的材料，同時還要考慮到它們之間的相互作用。

為了加快這一過程，柯尼卡美能達和日本奈良科學技術(shù)研究所（Nara Institute of Science and Technology）的研究人員開發(fā)了一種機器學習方法，根據(jù)材料特征和性能之間的關系，在許多材料中進行快速搜索。

當組成材料的特性未知時，預測性搜索就很困難。為了克服這一限制，研究人員開發(fā)了一種新型的機器學習方法來尋找替代材料。這種新方法可以定量評估成分材料之間的相互作用，以揭示它們對復合材料的整體性能貢獻有多大。然后，該方法搜索具有與原始材料類似性能的替代成分。

研究人員通過為一款由三種材料組成的復合材料尋找替代成分材料來測試他們的方法——分別屬于樹脂、填充物和添加劑。他們通過實驗評估了由機器學習確定的替代材料的性能，發(fā)現(xiàn)它們與原始復合材料相似，證明了該模型的有效性。他們的工作發(fā)表在《先進材料的科學與技術(shù)：方法》雜志上。

研發(fā)人員表示，在開發(fā)構(gòu)成復合材料的替代品時，新的機器學習方法消除了通過試驗和錯誤測試大量候選材料的需要，既節(jié)省了時間又節(jié)省了金錢。