电子材料的研发周期长、数据获取难，传统AI优化方法易陷入局部最优，难以揭示深层原理。一项新研究提出自适应人机协同决策界面，通过AI实时监控与人类专家适时介入，显著提升了电子材料的探索效率，并推动了从单纯寻找最优参数到发现新物理机制的认知飞跃。
智能速览
传统AI框架在电子材料优化中易过早收敛，难以适应小数据场景。
自适应AI决策界面可实时监控实验趋势并动态切换模型。
人类专家在关键节点介入，调整搜索策略，实现人机协同。
该框架在64次实验内，将材料关键性能指标提升了近7倍。
研究揭示了体积电容受层状间距与纳米纤维形貌协同调控的机理。
精华内容
电子材料的“黑箱”优化难题，正被一种全新的自适应AI决策界面逐步破解。它不再是单向的机器搜索，而是将人类智慧融入AI循环，共同探索未知。
传统瓶颈
电子材料的性能优化长期受困于“制备–器件构筑–电学表征”的复杂流程，这导致实验数据规模小、噪声高且分布不均。在此条件下，基于单一代理模型和固定采集函数的常规自驱动实验框架，极易在小数据阶段过早收敛于局部最优解，既无法识别趋势失效，也难以根据结构-性能响应的变化主动调整策略，严重阻碍了新材料发现的速度与深度。
自适应界面
为突破这一瓶颈，研究团队设计了一种嵌入式的自适应AI决策界面。该界面能在自主实验运行过程中，实时执行趋势监控（基于滑动平均与动量指标）、预测模型性能对比（如高斯过程回归GPR与随机森林RF）以及特征重要性分析（SHAP）。这些分析结果会以可解释的图形化界面反馈给人类研究者，为策略调整提供决策依据。
人机协同
该框架的核心在于“人机协同”。当AI的性能提升趋于停滞时，系统会提示人类研究者介入。研究者可以基于界面反馈的信息，从更高层面调整搜索策略。在针对p(g2T-T)聚合物的实验中，研究者通过动态切换预测模型，并逐步收缩涂布速度、温度、浓度与基底纳米沟槽尺度等工艺参数空间，引导AI搜索走向更优区域。
高效发现
实验证明，这种自适应协同模式极为高效。仅在64次自主实验内，框架便实现了材料体积电容μC*从166到1,275 F cm⁻¹ V⁻¹ s⁻¹的宽范围探索。更具价值的是，通过对代表性样品的多尺度结构表征，研究成功解析了性能提升的结构起源：更大的层状间距促进了离子注入，而更细的纳米纤维形貌则增大了电解质-聚合物界面面积。基于此，研究还发现了一种此前未被报道的聚合物多晶型。
这项研究的价值远不止于提升材料探索效率，更重要的是为AI for Science提供了一种“人机共生”的新范式。它证明在小数据条件下，智能算法与人类经验的结合能够催生更深层次的科学洞见。未来，这种自适应协同模式还能在哪些前沿科学领域掀起新的发现浪潮？
