在橡膠研發里，配方設計是一件麻煩事。研發人員需要決定天然橡膠、丁苯橡膠、炭黑、硫化劑、油等成分的比例，還要考慮溫度、壓力、硫化時間等工藝條件。每次改一點點，性能都會發生變化。

以前，我們常做的是單目標優化，詳見此案例《成功案例丨基于 AI 的化合物配比優化解決方案》：比如只追求“拉伸強度最大化”。我們會用歷史數據訓練一個模型，然后在虛擬空間里生成成千上萬個候選配方，讓模型去預測，再挑出拉伸強度最高的組合。這種方法確實能找到“強度最優解”，但現實問題是：高強度配方往往伴隨高成本，或者耐磨、硬度達不到要求。這就像做菜時只求“最咸”，結果味道完全失衡。

1 多目標優化：兼顧性能與成本

新的方法就是基于AI Studio的多目標反向優化。我們不再只盯著一個性能，而是同時考慮多個，并且考慮變量之間的約束：

• 拉伸強度要盡量高；
• 耐磨要大于一定標準；
• 壓縮永久變形要盡量小；
• 硬度要在合理區間；
• 成本還必須控制住。

實現方法：

1.數據建模：用多輸出回歸器，讓模型同時預測所有性能指標；

2.數據建模：用多輸出回歸器，讓模型同時預測所有性能指標；

3.性能預測：用模型計算這些候選的性能；

4.多目標打分：把每個候選配方按目標進行歸一化評分，檢查是否滿足硬約束，并給出一個綜合分數；

5.篩選 Top-N：挑選綜合最優的候選配方，給研發人員參考。

2 案例結果

在一次實驗中，我們設定目標：拉伸強度越大越好，耐磨 ≥130，壓縮永久變形越小越好，成本 ≤160。結果發現，系統快速篩選了 16,384 個候選配方，推薦的 Top-5 方案在強度和成本之間取得了平衡，雖然耐磨略低于目標值，但仍然大幅優于隨機試驗。

3 為什么比單目標更好？

單目標優化只能找到“極端解”，而多目標優化能找到“平衡解”。在真實研發里，沒有哪家企業只要強度而不要耐磨、成本。多目標方法結合了機器學習預測和多目標打分，不僅減少了實驗次數，還能加快找到性能綜合最佳、成本合理的方案。

4 總結

這套方法讓研發從“單點突破”升級為“全局權衡”。數據驅動的多目標優化，不僅適用于橡膠配方，也能推廣到電池、醫藥、材料工藝設計等領域。它能讓研發人員少走彎路，更快做出既好用又經濟的材料方案。

操作演示：

全球100個AI應用案例電子書下載

△Altair 正式發布全球100個AI應用案例電子書，內容覆蓋10+行業的100個AI應用場景。點擊圖片立即獲取，了解全球AI驅動工程設計應用成功案例，以及AI技術如何為工業制造業的產品全生命周期帶來賦能與革新。

立即獲取