ARTICLE · 1136894
天津工业大学陈莉/何洋团队AM:AI主动学习设计柔性热电复合材料,实现自供能创面治疗
天津工业大学陈莉/何洋团队AM:AI主动学习设计柔性热电复合材料,实现自供能创面治疗近日，天津工业大学材料科学与工程学院在柔性热电复合材料与自驱动创面治疗领域取得重要进展。研究成果以“Physics-Guided Active Learning Enables Energy-Filtering Flexible Thermoelectric Composites for Self-Powered Wound Bioelectronics”为题，发表在Advanced Materials。该研究提出了一种物理引导、数据高效的主动学习框架，成功筛选并实验验证了具有能量过滤效应的柔性热电复合材料，并构建了自供能伤口电刺激治疗平台。天津工业大学为该论文的唯一完成单位，何洋和陈莉教授为通讯作者。 
全球每年有超过4000万患者遭受延迟愈合伤口的困扰，年医疗支出超过1480亿美元。电刺激疗法能够模拟人体内源性损伤电场，显著促进细胞定向迁移与组织再生。利用人体与环境温差进行发电的柔性热电器件为自驱动生物电子提供了新思路。然而，在微小温差条件下，柔性热电材料普遍面临电导率与塞贝克系数强耦合的瓶颈，传统“试错法”实验筛选效率低，极大地限制了高性能柔性热电材料的开发。 
图1物理引导的主动学习设计柔性热电生物器件 针对上述难题，研究团队引入机器学习与人工智能算法，构建了一种小样本、物理引导的主动学习数据驱动筛选框架。该框架将极限梯度提升（XGBoost）回归模型与贝叶斯优化（Bayesian Optimization）算法深度融合。团队收集了246组异质结界面数据，通过递归特征消除从70维初始描述符中筛选出18个核心物理描述符，涵盖功函数、带隙宽度、电子亲和能、晶格常数等关键参数，使XGBoost模型的测试集R2从0.80提升至0.87，平均绝对误差仅为0.07 eV，成功建立了可高精度预测异质结界面能垒的智能模型。通过可解释性分析对人工智能模型的决策机制进行“白盒化”拆解，揭示了填料功函数与基体功函数是调控界面能垒的核心物理机制，电子亲和能等描述符协同参与调控，这与肖特基-莫特异质结能带对齐规则高度吻合，表明该模型捕获的是具有物理意义的构效关系。 
图2机器学习模型性能与主动学习迭代分析。A) 不同机器学习算法的RMSE、MAE和R2值。B) 贝叶斯优化主动学习迭代结果。C) R2逐次迭代变化。D) 高斯过程预测均值。E) 高斯过程不确定性。F) 高斯过程搜索轨迹。G) SHAP特征重要性。H) SHAP汇总图。I) 代表性异质结SHAP力图。 基于主动学习框架的预测，研究团队进一步施加成本、毒性和柔性等实用化筛选条件，最终在众多材料组合中锁定PEDOT:PSS/EGaIn（液态金属）、SWCNT/EGaIn、PPy/EGaIn、MXene/rGO和MXene/Ag NWs五种复合材料体系进行合成与实验验证。紫外光电子能谱表征显示，模型对其中四种体系的界面能垒预测与实验值高度吻合，特别是PEDOT:PSS/EGaIn体系，预测值为0.25 eV，实验测定值为0.24 eV，恰好落在能量过滤效应的最优窗口内。该复合材料的塞贝克系数达到40.0 μV K-1，电导率在0.3 wt% EGaIn负载下达到194.7 S cm-1，实现了热电性能的部分解耦。 
图3材料筛选与能带结构验证。A)识别候选热电材料组合。B)紫外光电子能谱。C)带隙结构。D) 各组分功函数。E)预测与实验能垒对比。F)塞贝克系数比较。G) 能量过滤效应示意图。 在生物医学验证中，利用该材料集成的柔性热电器件展现出卓越的力学柔韧性与耐弯折稳定性。在生理-环境温差下，可产生 8.80 mV 的持续直流电压。在大鼠全层皮肤缺损模型中，热电治疗组胶原沉积密度达84.1%，血管新生标志物表达接近对照组两倍，促炎因子TNF-α表达降至对照组一半以下，第12天伤口闭合率超过98%，较对照组提前2天愈合。 该研究建立了一个小数据集、物理引导的主动学习框架，将界面能垒预测与柔性热电复合材料的实验验证相衔接，并进一步展示了其在自供能伤口热电治疗中的概念验证应用。研究不仅部分破解了柔性热电材料电导率与塞贝克系数的耦合制约，更重要的是提供了一种“物理可解释、数据高效、实验可闭环”的材料筛选策略，为创面治疗用热电生物器件的设计提供了可推广的开发策略。