智能重实验：增强环氧聚合物机械性能数据驱动预测的新方法

通过数据驱动方法准确预测聚合物材料性能，可以减少冗余实验和试错过程，从而极大加速新型材料的开发。然而，经验测量中不可避免的异常值会严重扭曲机器学习结果，导致错误的预测模型和次优的材料设计。为了解决这一局限性，我们提出了一种新方法，通过将多算法异常值检测与对不可靠异常值案例的选择性重实验相结合，来高效提升数据集质量。为了验证该方法的实际有效性，我们系统地构建了一个包含三个关键机械性能的 701 项测量的新数据集：玻璃化转变温度（$T_g$）、tan $\delta$ 峰值和交联密度（$v_{c}$）。为了证明其普遍适用性，我们报告了多种机器学习模型在预测这三个关键性能时的性能提升，包括 Elastic Net、SVR、Random Forest 和 TPOT。我们的方法可靠地降低了预测误差（RMSE），并仅需对约 5% 的数据集进行重新测量，即可以最少的额外实验工作显著提高准确性。这些发现突显了数据质量提升在实现聚合物科学中可靠的机器学习应用方面的重要性，并提出了一种可扩展的策略，以提高材料科学中预测的可靠性。