王笑楠等Nature子刊：人工智能技术推进软体机器人传感器的自动化设计

新兴的软体机器人由于出色的顺应性、高自由度和均匀的力学分布，比传统的刚体机器提供了更安全的人机交互界面。为了使软体机器人对其环境作出智能反应，需要高精度的应变传感器将各种机械刺激转变成电信号来实现闭环反馈控制。最近，清华大学化工系的王笑楠教授（点击查看介绍）等带领团队利用人工智能技术实现了软体机器人传感器的自动化设计。该工作构建了一个三段式的机器学习框架来构建预测模型，它能够从初始的纳米材料设计入手，在0.5%到350%的应变范围内自主设计传感器的性能。相关论文发表于Nature Machine Intelligence 杂志。

对于软体机器人来说，为了实现可编程的驱动行为，需要它的柔性结构能够在很宽的应变范围内变化。这一特点使得研究人员在为各种软体机器人设计适合的应变传感器时存在诸多限制和困难。首先，目前报道的应变传感器大部分只能监测30%到200%之间的应变变化，而很少有材料的设计策略可以制造在极低（<5%）和极高（>300%）应变范围响应的高灵敏传感器。其次，为了监测软体机器人的多部位协调运动，往往需要在不同的机器人部位上集成具有不同应变响应区间的灵敏传感器。为了制造具有用户指定特征（比如，应变区间和灵敏度）的应变传感器，往往需要采用不同的材料设计原则，并进行多次试错实验来校正传感器的性能。为了实现软体机器人传感器的定制化生产，非常需要一种自动化的设计方法：它可以根据实际的需要（比如，指定的应变区间和灵敏度）自主推荐可行的传感器制造配方，为不同软体机器人制备合适的应变传感器。

机器学习是一种通用的自动化学习工具，它可以建立一个模型来学习输入讯息和输出讯号之间的关联，比如在丰富的数据系统中发现潜在的趋势和复杂的数据关系。近年来，越来越多的研究利用机器学习工具来研究材料科学。比如，在有机/无机催化剂设计、药物发现和量子点合成等方面，它通过计算或分析大量的数据点来提供超越人类知识的洞见。尽管如此，想要开发一个高精度的模型来学习传感器制造配方和传感器性能之间的复杂关联，并实现机器人应变传感器的自动化设计这一目标还存在很大的困难。首先，当前的柔性应变传感器的制造和测试没有标准化的方法，不同的实验室通常有自己独特的方式。因此，从文献中收集的传感器数据存在很大的偏差。第二，大多数报道的传感器只能监测30%至200%的应变的区间。这种不平衡的数据很可能产生一个预测能力受限的机器学习模型，它将失去对软体机器人在极端应变情况下（例如，<5%或>300%）所需的应变传感器的设计能力。第三，柔性应变传感器的制造和测试通常是繁琐和耗时的，数据采集率在很大程度上受到限制。这往往造成机器学习模型的数据点不足，并呈现出预测精度低的结果。

在此背景下，这项工作通过混合制造方法（同时包含实验室材料制造和虚拟数据增强计算）来解决这些挑战，在器件层面构建机器学习模型，以实现针对不同软体机器应变传感器的自动化设计。在这个工作中，研究团队开发了一个三段式的机器学习框架来构建预测模型。即使是在一个小的样本数据下，它也能够在0.5%到350%的应变范围内实现传感器的自动化设计。首先，研究小组使用351个纳米材料的组合数据训练了一个支持向量机分类器。第二，通过主动学习，制造了125个具有代表性的传感器数据集。第三，在125个代表性数据集基础上，通过数据增强来合成>10,000个虚拟数据点，然后通过遗传算法来优化模型的预测精度。该工作最终构建了一个预测模型，它可以实现两种自动化的交互设计：(1) 可以根据制造配方来预测传感器的性能；(2) 为各种软体机器人的不同需求推荐适合的传感器的制造配方。另一方面，研究小组还利用统计分析工具对收集到的传感器特征数据进行分析，成功地揭示了潜在的材料作用机制，挖掘到了新的隐藏在数据背后的传感器材料设计原则。

在这项工作所体现一个重要创新是开发了协同的三段式的机器学习框架来构建预测模型。它能够在数据采集率有限的器件水平上进行双向的自动化的交互设计。正如在多篇重要的文献中提到的，目前机器学习领域一个关键的挑战是开发新的的机器学习工具来加速功能电子器件的开发，因为其制造过程通常是耗时的，难以获得一个高质量的数据库用来对机器学习模型进行训练。在这项工作中，研究团队通过构建三段式的机器学习框架的协同工作来应对这一挑战，包括（1）支持向量机分类器、（2）主动学习和（3）数据增强。这个过程使得研究小组能够快速收集有具有代表性的数据点，并利用数据增强来训练模型，极大地加速了应变传感器的预测模型的构建。

该工作的另一个创新是实现了软体机器人传感器的自动化设计。它的成功代表着：不同软体机器人的传感器的制造配方可以直接由预测模型推荐，而不需要进行专家参与的试错实验。在这项工作中，作者展示了最终的预测模型可以在0.5%到350%的应变范围内实现传感器的自动化设计。在此之前，在如此宽的应变区间设计应变传感器是难以完成的。此外，通过对收集到的数据集进行统计分析和计算，研究团队发现了制造配方和传感器特性之间的复杂关系，这些数据驱动的数据关系和趋势被整理归纳为新的材料设计原则，并通过原位电子显微镜的研究得到了进一步验证。

原文（扫描或长按二维码，识别后直达原文页面，或点此查看原文）：

Automatic strain sensor design via active learning and data augmentation for soft machines

Haitao Yang, Jiali Li, Kai Zhuo Lim, Chuanji Pan, Tien Van Truong, Qian Wang, Kerui Li, Shuo Li, Xiao Xiao, Meng Ding, Tianle Chen, Xiaoli Liu, Qian Xie, Pablo Valdivia y. Alvarado, Xiaonan Wang & Po-Yen Chen 

Nat. Mach. Intell., 2022, 4, 84–94, DOI: 10.1038/s42256-021-00434-8

作者简介

杨海涛博士

杨海涛，郑州大学本硕连读，于2021年获得新加坡国立大学化学与生物分子工程博士学位，长期从事柔性电子和智能机器人研究。研究方向主要以功能材料为基础，结合机械、电子、以及人工智能技术，实现柔性器件的功能化和集成化，以突破软体机器人的多功能应用挑战。目前以第一作者在Science Robotics和Nature Machine Intelligence等期刊发表研究型论文十余篇。2021年获得AIChE新加坡杰出青年研究员称号。

李佳礼博士

李佳礼，新加坡国立大学博士后，佐治亚理工计算机硕士，帝国理工工程系学士及硕士。研究领域：人工智能，系统工程，材料领域的交叉应用。主要擅长将计算机视觉，图神经网络，主动学习系统性地与不同材料或者医药体系进行结合从而加速材料研发，实现智慧科研。目前以第一作者将研究成果在Matter, JACS, Nature Machine Intelligence等国际顶级期刊发表并受到媒体广泛报道。

王笑楠教授

王笑楠，清华大学化工系副教授、特别研究员、博士生导师、国家高层次人才计划入选者。创建了新加坡国立和清华智慧系统工程研究中心，兼任环太平洋大学联盟项目的联合负责人。2011年本科毕业于清华大学，2015年获加州大学戴维斯分校博士，之后在英国帝国理工学院进行博士后研究。2017年加入新加坡国立大学，任助理教授、副教授，围绕碳中和和未来智能实验室等新兴交叉学科，开展新能源、低碳技术和系统及人工智能应用的研究，近五年在相关领域发表100余篇学术论文，参与撰写3部专著，多专利已被媒体报道和公司转让。担任10余本国际期刊副主编和编委。入选2021年世界前2%顶尖科学家榜单，获得AIChE新加坡最佳青年首席研究员奖，环太平洋大学联盟可持续发展论坛最佳青年研究员奖，应用能源杂志最佳编委奖，Applied Energy高引论文奖，英国皇家协会国际交流奖等奖项。

https://www.x-mol.com/university/faculty/319234 

Chen Po-Yen教授

Chen Po-Yen目前是马里兰大学（UMD）化学和生物分子工程系的助理教授。他在台湾大学获得化学工程学士学位，并在麻省理工学院获得化学工程博士学位。博士毕业后，他在布朗大学担任独立研究员2年，并在新加坡国立大学化学和生物分子工程系担任助理教授2.5年。他于2018年获得AME青年研究员奖，2019年获得AIChE SLS杰出青年首席研究员奖。Po-Yen被《麻省理工科技评论》评为亚洲35岁以下创新者，并在2020年获得AIChE 35 under 35奖。最近，他被选为全球青年学院（GYA）和Vebleo的研究员。他的研究重点是纳米材料自组装、机器智能和软体机器人/机械的交叉应用。在机器智能和自动机器人之间建立协同作用，以构建高精度的预测模型，从而实现功能性软纳米复合材料的自动设计。