“ 一次实验只用0.5毫升树脂，一套小样本模型，就解决了光固化3D打印里"黏"与"韧"不可兼得？
最近，一项韩国团队的工作，让DLP可打印弹性体做到断裂伸长率600%以上、树脂黏度约2500 mPa·s，并把材料做成了能抓鸡蛋、能提1公斤塑料瓶的气动抓手。论文发表于《Nature Communications》。
01.
先说问题：黏度高了打不动，韧性上去了黏度又超标
DLP属于槽式光聚合增材制造，优势是快、准，能一次成型复杂结构，微流控、电子、软体机器人都在用。但它有个长期卡脖子的问题：能打印的树脂往往不够韧，够韧的树脂又黏得打不动。
要拿到高拉伸性能，得往配方里加大分子量、富含氢键的聚氨酯丙烯酸酯低聚物，可这一加黏度会飙到数万mPa·s；而常规DLP系统的可打印区间通常要在5000 mPa·s以下。为保证能铺料、能固化，工业界的通行做法是掺反应性稀释剂，代价是交联密度掉下来，拉伸强度与断裂一并受损。
过去这条路本质上靠试错，把不同低聚物、单体两两配一配，哪组既好打又够强就用哪组。问题是配方空间太大，逐组实验既贵又慢，而且天然偏向"能打"的那一小块——那些太黏、固化太慢的组合往往进不了打印机，也就没有机会被评价。
研究团队点出的正是这一层偏差：已有机器学习树脂研究大多只优化可打印区间内的组成与力学性能关系，却没有把配方阶段就能测到的黏度、固化动力学纳入同一套显式约束。缺口在这里，工作也从这里开始。
02.
关键设计：小体积模具固化，加上36组数据的替代模型
这篇工作的核心设计，是给训练集"扩容"的方式变了。
团队锁定四组分体系：双官能脂肪族聚醚聚氨酯甲基丙烯酸酯低聚物PUDA（分子量约27000 g/mol，60°C黏度约24000 mPa·s）作为结构骨架，IBOA负责刚性，EHMA负责柔性，MAA负责提升固化效率，另加1 phr光引发剂TPO，构成无溶剂丙烯酸酯体系，覆盖流变、固化与力学之间的耦合权衡。
数据从哪来？他们没有把36组配方全部倒进打印机，而是用约0.5毫升树脂做小体积模具固化来测性能：在载玻片上直接以DLP投影曝光，洗掉未固化部分后测自支撑固化层厚度，再以Jacob定律拟合出固化到100微米所需的t100；黏度用旋转流变仪在25°C取值。
这一步是关键：模具固化把材料表征与打印机限制解耦了。训练集因此可以名正言顺地包含高黏度、非可打印配方，模型学到的不是可打印那一小角的插值，而是逼近可打印边界本身。用于建模的36组配方中，33组是网格约束采样的训练集，另有3组物理锚点，还有独立外部验证组不参与训练。
替代模型采用RBF核支持向量回归（SVR），四个目标量各自建模，先做log1p变换稳定量纲与误差方差，交叉验证再反变换回物理尺度。36组样本的五折交叉验证中，黏度R²=0.870±0.052、t100的R²=0.839±0.120最为稳健，模量与伸长率R²为0.768与0.645。样本只有三十几组，流变与固化两项就能站得住，这正是这套工作流的价值。
优化用差分进化在组分边界内搜索：目标函数奖励高伸长率，同时惩罚高黏度、长t100、高模量，配比加和约束以罚项形式施加。搜出来的最优配比，就是后面反复验证的主角：MLR，PUDA:IBOA:EHMA:MAA = 50:30:16:4（质量比）。
03.
从一瓶水到一颗鸡蛋，软体夹爪把配方"打印"进了机器人
材料好不好用，最终要落到器件上。团队先用这套树脂打印了一个由11段串联弯曲单元组成的气动驱动器。他们把实验测得的拉伸模量输入有限元模型，仿真预测不同气压下的变形，再与真实打印件对照——结果驱动器在0、70、150 kPa逐级升压时的弯曲形态与仿真高度吻合，说明实验室里测到的材料本征性能，被有效传递到了打印结构的宏观表现上，也意味着可以用仿真先行、再去打印验证。
在这个驱动器基础上，团队组装了一个三指气动夹爪。实测中，它能稳稳提起一瓶1公斤装的水而不掉落，驱动压力可超过200 kPa；同时它能根据物体形状自适应地调整抓取策略——脆弱易碎、形状各异的玻璃瓶、一颗鸡蛋、装鸡蛋的纸托、一只鼠标，都能在不滑脱、不压碎的前提下被抓起。这正是软材料希望达到的效果：靠材料本身的柔顺性，而不是复杂的控制算法，去安全地抓握不规则物体。
总结来说，这套方法的边界在于目前的配方空间仍限定在以 PUDA 为基础的四元体系内，推广到其他树脂化学还需进一步验证；同时数据集规模有限，未来引入贝叶斯优化、主动学习和不确定性感知的探索，有望让候选配方的筛选更高效。
但论文给出的启示是清晰的——当"小体积模具表征"解耦了打印限制，机器学习就有机会在可打印与不可打印之间的广阔地带里，找到那些靠人眼试错几乎摸不到的配方平衡点。对正在寻找高韧性光固化树脂的软机器人和柔性电子方向而言，这或许是一条可复用的配方设计范式。
论文信息：Song, Y., Park, B., Jeon, S., Kweon, H., Lee, S. & Na, J. et al. Machine learning guided formulation design of digital light processing printable elastomers beyond viscosity stretchability tradeoff. Nature Communications, 2026. DOI: 10.1038/s41467-026-73735-4。
