在軟體機器人、仿生執行器和可穿戴設備等前沿領域，一類被稱為“人工肌肉”的材料——介電彈性體(Dielectric Elastomers, DEs)——正扮演著越來越重要的角色。它們能夠在電場作用下發生大形變，將電能直接轉化為機械能，動作輕柔靈活，極具應用潛力。然而，理想的“肌肉”不僅需要力量，最好還能有“感知”或“信號”功能�，F實中，DEs的廣泛應用面臨兩大“攔路虎”：一是通常需要極高的驅動電壓才能工作，這帶來了安全隱患和成本問題；二是功能相對單一，難以滿足日益增長的智能化、集成化需求�？茖W家們嘗試了調整聚合物網絡、添加功能填料等多種方法來提升性能，但傳統的“試錯法”實驗過程耗時費力，效率低下，尤其在涉及多個變量協同優化的復雜材料體系（如同時追求驅動和熒光性能）時，更是舉步維艱。

正是在這樣的背景下，人工智能(AI)的浪潮為材料科學帶來了革命性的新工具。深度學習等AI技術能夠從海量數據中挖掘隱藏的規律，高效預測材料性能，從而極大加速新材料的設計與發現過程。發表在《Materials 》上的這項研究，正是巧妙地將深度學習與主動學習相結合，像一位經驗豐富的“材料設計師”，高效地指導研究人員合成出了一種高性能的“驅動-熒光”雙功能仿生介電彈性體。

為了開展這項研究，作者團隊主要運用了以下幾項關鍵技術方法：首先，構建并訓練了前饋神經網絡(Feedforward Neural Network, FNN)模型，利用有限的預實驗數據和來自人工肌肉材料數據庫(Artificial Muscle Database, AMDB)的數據，預測最優的材料配方（交聯劑與光引發劑比例）和最佳的熒光填料（從多種光致發光材料中篩選）。其次，采用改進的配體輔助再沉淀法合成了CsPbBr₃鈣鈦礦量子點(Perovskite Quantum Dots, PQDs)，并通過X射線衍射(XRD)、掃描透射電子顯微鏡(STEM)、光致發光(PL)光譜等技術對其進行了系統表征。最后，通過光引發自由基聚合法制備了聚丙烯酸酯基及PQDs復合的介電彈性體薄膜，并對其機電性能（應力-應變、介電常數、驅動應變）和熒光性能進行了綜合測試，進而將其集成為仿生昆蟲驅動器進行功能驗證。

研究人員首先以交聯劑相對質量(C)和光引發劑相對質量(I)為特征，以面內面積應變(Area Strain, AS)為目標，利用10組初步實驗數據訓練FNN模型。模型成功預測出最優配方點為C=0.578，I=0.0147。為進一步提升預測精度，他們引入了主動學習思想進行模型迭代，用預測結果指導新增9組實驗，再用新數據更新模型，使預測點收斂至C=0.581，I=0.0149。數據顯示，這種數據驅動方法將尋找最優配方所需的實驗量從傳統方法的上萬次大幅減少至19次。

同時，為了給DE引入熒光功能，研究團隊從AMDB數據庫中提取了117組顆粒填充DE的數據，定義了驅動指數(Actuation Index, ACI)作為綜合評價指標。利用FNN模型對多種常見光致發光材料作為填料時的ACI進行預測，結果顯示CsPbBr₃鈣鈦礦量子點在增強驅動性能方面最具潛力。

通過表征確認，成功合成了立方相結構的CsPbBr₃PQDs，其尺寸主要集中在9-10納米，形狀近似方形。光致發光測試表明，在40°C下合成的PQDs在穩定性與絕對量子產率方面表現最佳，其熒光發射峰位于約515納米處，呈現綠色熒光。3 perovskite quantum dots. (a) XRD pattern of PQDs; (b) Particle size distribution of PQDs; (c) Photoluminescence emission spectra of PQDs; (d) STEM image of PQDs; (e) High-resolution STEM image of PQDs, with the inset showing the Fourier transform pattern; (f) Photographs of PQD dispersions.">

基于深度學習預測的最優配方（B58）制備的聚丙烯酸酯DE，在8 kV/mm電場下實現了101.7%的面內面積應變。與已有研究相比，達到100%應變所需的驅動電場降低了1-2個數量級。引入PQDs（0.15 wt‰，樣品B58-15PQD）后，材料的介電常數得到提升，驅動性能進一步增強，在更低的6 kV/mm電場下即實現了101.5%的面內應變，進一步降低了驅動電壓需求。同時，該復合材料在超過10萬次的循環驅動測試中表現出良好的耐久性。力學和介電測試表明，低濃度的PQDs在略微提高材料楊氏模量的同時，通過界面極化等機制有效提升了介電常數，但對聚合物網絡結構的負面影響較小。

利用B58-15PQD這種兼具驅動與熒光雙功能的材料，研究人員制作了一款仿生昆蟲裝置。該裝置由DE人工肌肉與提供不對稱摩擦力的聚對苯二甲酸乙二醇酯(Polyethylene Terephthalate, PET)框架構成。在2 kV脈沖電壓驅動下，仿生昆蟲能夠實現定向爬行，在30秒內前進23.5毫米。在紫外光照射下，整個裝置發出清晰的綠色熒光，展示了其在黑暗或狹窄環境中執行任務并實現光學反饋的潛力。

本研究成功展示了一條利用深度學習高效設計高性能多功能介電彈性體的新路徑。通過數據驅動的方法，不僅顯著減少了實驗試錯成本，快速優化了材料配方，還精準預測并驗證了CsPbBr₃PQDs作為功能填料的優越性。最終制備出的雙功能DE在低驅動電場下實現了高驅動應變，并具備穩定的熒光發射性能�；�于此材料開發的熒光仿生昆蟲，驗證了其作為人工肌肉在軟體機器人領域的實際應用價值。

這項工作的意義在于，它將人工智能深度融入了功能材料的設計閉環，為解決復雜材料體系中的多目標優化問題提供了高效范式。所開發的雙功能DE材料，有望應用于需要隱蔽行動、環境感知或光學信號交互的先進軟體機器人、生物醫學設備及柔性可穿戴系統中。未來，通過進一步優化器件結構、擴展模型泛化能力，人工智能輔助設計策略有望在更廣泛的智能材料開發領域發揮更大作用。