研究人员开发了一种机器学习工作流程，以优化光驱动有机晶体的输出力。利用 LASSO 回归识别关键分子亚结构，结合贝叶斯优化进行高效采样，他们实现了最大阻挡力为 37.0 mN，这比传统方法高效 73 倍。这些发现可能有助于开发用于医疗设备和机器人技术的远程控制驱动器，支持微创手术和精准药物递送等应用。
材料将外部刺激转化为机械运动，被称为执行器，在机器人、医疗设备和其他高级应用中发挥着至关重要的作用。其中，光机械晶体在光照下变形，使其在轻量化和远程可控执行方面颇具前景。它们的性能取决于分子结构、晶体特性和实验条件等因素。
这些材料的一个关键性能指标是阻挡力——当变形完全受到限制时施加的最大力。然而，由于晶体特性与测试条件的复杂相互作用，实现高阻挡力仍然具有挑战性。理解和优化这些因素对于扩展光机械晶体的潜在应用至关重要。
为优化光驱动有机晶体的输出力，早稻田大学的研究人员利用机器学习技术来增强其性能。这项研究由早稻田大学数据科学中心的助理教授谷口拓也主导，合作伙伴包括来自早稻田大学先进科学与工程研究生院的石崎和树先生和淺井徹教授。他们的研究成果于 2025 年 3 月 20 日在线发布于《数字发现》上。
“我们注意到机器学习简化了寻找最佳分子和实验参数的过程，”谷口博士说。“这激励我们将数据科学技术与合成化学相结合，使我们能够快速识别新分子设计和实验方法，以实现高性能结果。”
在这项研究中，团队使用了两种机器学习技术：用于分子设计的 LASSO（最小绝对收缩和选择算子）回归以及用于选择实验条件的贝叶斯优化。第一个步骤导致了一种水杨醛胺衍生物的材料库，而第二个步骤则使团队能够从该库中高效抽样进行实际的力测量。因此，团队成功最大化了阻挡力，达到了最高 3.7 倍于先前报告值的力输出，并以至少 73 倍的效率优于传统的试错方法。
“我们的研究在光驱动有机晶体方面取得了重大突破，通过系统地应用机器学习，”谷口博士表示。“通过优化分子结构和实验条件，我们已经展示了显著提高光响应材料性能的潜力。”
所提出的技术对远程控制执行器、小型机器人、医疗设备和节能系统具有广泛的影响。由于光驱动晶体响应光线，它们能够实现无接触和远程操作，使其成为在封闭或敏感环境中工作的理想机器人组件。它们通过聚焦光非侵入性地产生力量的能力，对于需要精确远程驱动的显微外科工具和药物递送机制也具有价值。
通过利用一种更清洁的能源输入——光照射，同时最大化机械输出，这些材料有望用于环保制造过程和旨在降低整体能源消耗的设备。“除了提高力输出，我们的方法为从可穿戴技术到航空航天工程和远程环境监测的更复杂、微型化设备铺平了道路，”谷口博士补充道。
总之，这项研究突显了以机器学习驱动的策略在加速高性能光驱动材料开发中的潜力，使其更接近现实应用和商业可行性。
