数据稀缺情境下的多模态机器学习方法用于软高介电常数弹性体
机器学习
2026-03-20 v2 材料科学
摘要
介电材料是现代电子器件（如传感器、致动器和晶体管）中的关键构件。随着软可拉伸电子技术在新兴人类和机器人接口应用中快速发展，亟需开发高性能介电弹性体。然而，开发同时具备高介电常数 (k) 和低杨氏模量 (E) 的软弹性体仍是重大挑战。尽管已报告个别弹性体设计方案，但系统性地整合分子序列、介电和力学性质的结构化数据集仍大多不存在。为此，我们整理了一个由过去十年实验结果构成的紧凑高质量的丙烯酸酯类介电弹性体数据集。基于该数据集，我们提出一种多模态学习框架，利用大规模预训练聚合物表示。这些预训练嵌入可将来自海量聚合物语料库中的化学和结构知识迁移至目标任务，从而实现对介电和力学性质的准确few-shot预测，并加速软高-k介电弹性体的数据高效发现。我们的模型和实现已公开于：https://github.com/HySonLab/Polymers
关键词
引用
@article{arxiv.2601.18032,
title = {Multimodal Machine Learning for Soft High-k Elastomers under Data Scarcity},
author = {Brijesh FNU and Viet Thanh Duy Nguyen and Ashima Sharma and Md Harun Rashid Molla and Chengyi Xu and Truong-Son Hy},
journal= {arXiv preprint arXiv:2601.18032},
year = {2026}
}