ИИ в этом проекте не управлял самой рукой. Его использовали на более раннем этапе — чтобы подобрать состав материала для 3D-печати, который одновременно должен быть достаточно текучим для принтера, мягким, прочным и способным сильно растягиваться. Полученный эластомер растягивается более чем в шесть раз относительно первоначальной длины.
Зачем учёным понадобился ИИ
Создать мягкий материал для 3D-печати сложнее, чем может показаться.
Для технологии DLP, или цифровой световой 3D-печати, используется жидкая светочувствительная смола. Проектор послойно засвечивает её и формирует нужную деталь. Такой метод позволяет быстро создавать конструкции сложной формы, но свойства самой смолы приходится тщательно балансировать.
Чем прочнее и эластичнее становился материал, тем выше обычно была его вязкость. Слишком густую смолу уже трудно нормально использовать в процессе печати. Если же состав сделать более жидким, страдает механическая прочность и способность растягиваться.
Команда решила искать подходящую комбинацию не обычным перебором рецептур, а с помощью машинного обучения.
Машинное обучение подбирало «рецепт» материала
Исследователи изготовили десятки вариантов смолы и измерили четыре основных параметра: вязкость, время отверждения, модуль упругости и максимальное удлинение перед разрывом.
В обучающую выборку специально включили не только удачные составы, пригодные для печати, но и слишком вязкие варианты. Это позволило модели увидеть границу между материалами, которые хорошо печатаются, и составами с хорошими механическими свойствами, которые использовать в принтере уже сложно.
На основе экспериментальных данных алгоритм прогнозировал характеристики новых комбинаций и помог выбрать состав, удовлетворяющий сразу нескольким требованиям.
В итоговой рецептуре использовались четыре основных компонента в массовом соотношении 50:30:16:4. Полученный материал имел вязкость около 2500 мПа·с и выдерживал растяжение более чем на 600%.
Для мягкой робототехники эти две характеристики необходимо сочетать: материал должен без проблем пройти процесс 3D-печати, а готовая деталь — многократно изгибаться и растягиваться без разрушения.
Из нового материала напечатали мягкие пневматические пальцы
После лабораторных испытаний исследователи напечатали из найденного состава пневматические актуаторы.
Это полые эластичные элементы, которые изменяют форму под давлением воздуха. При подаче воздуха внутрь такой актуатор изгибается подобно пальцу.
Затем учёные объединили три элемента в один мягкий роботизированный захват. Каждый из трёх «пальцев» состоял из шести последовательно соединённых изгибающихся секций.
В отличие от металлического механического захвата, мягкая конструкция деформируется при контакте с предметом. Поэтому ей проще распределять давление по поверхности объекта и работать с вещами разной формы.
Роборука подняла бутылку весом 1 кг
Самым показательным испытанием стала работа с предметами, сильно отличающимися по размеру, форме и прочности.
Роботизированная рука смогла поднять и переместить пластиковую бутылку, наполненную одним килограммом воды. Во время теста захват удерживал её без повреждений и срыва.
После этого исследователи проверили конструкцию на более хрупких предметах.
Роборука удерживала:
- сырое яйцо;
- стеклянную бутылку;
- упаковку для яиц;
- компьютерную мышь.
По данным авторов работы, предметы оставались в захвате без проскальзывания и повреждений даже при интенсивном встряхивании конструкции.
Для разных предметов рука использовала разное положение. Стеклянную бутылку она захватывала сбоку, а упаковку для яиц могла поднять как сверху, так и снизу.
Рабочее давление системы превышало 200 кПа, а силу и величину изгиба пальцев можно было менять регулировкой давления воздуха.
Новый материал выдерживает многократные деформации
Для мягкого робота одной высокой эластичности недостаточно. Материал должен сохранять свойства после многочисленных циклов растяжения и сжатия.
Образцы нового эластомера подвергали циклическим испытаниям. При растяжении на 200% материал выдержал 100 циклов без разрыва. При более экстремальной деформации в 250% образцы разрушались примерно через 30 циклов.
Отдельно исследователи напечатали пористые структуры и 100 раз сжимали их с деформацией 60%. Механические свойства оставались практически стабильными, а после снятия нагрузки конструкция восстанавливала форму.
Сам пневматический актуатор после 50 рабочих циклов дополнительно исследовали с помощью рентгеновской микроскопии. Внутренние камеры и каналы сохранили целостность, видимых повреждений исследователи не обнаружили.
Главная разработка здесь — материал, а не сама роботизированная рука
Внешне наиболее заметным результатом эксперимента стала мягкая рука, однако основная научная работа посвящена созданию нового материала и способу его поиска.
Авторы показали, что машинное обучение можно использовать для подбора рецептур фотополимеров с несколькими противоречащими друг другу характеристиками.
Раньше исследователю пришлось бы последовательно смешивать большое количество составов, печатать образцы и проверять каждый из них. Новый подход сначала собирает экспериментальные данные, после чего модель определяет наиболее перспективные комбинации.
Число физических экспериментов полностью не исчезает. Предложенный ИИ состав всё равно необходимо изготовить, напечатать и испытать. Но алгоритм помогает значительно сузить пространство поиска и направить лабораторную работу в сторону наиболее подходящих вариантов.
Почему обычный 3D-принтер не решал эту задачу
DLP-печать хорошо подходит для деталей со сложной внутренней геометрией. Именно такие структуры нужны мягким пневматическим роботам: внутри пальца необходимо создать камеры и каналы, которые будут расширяться под давлением воздуха.
Проблемой долго оставались материалы.
Смола должна свободно распределяться во время печати, быстро отверждаться под действием света и после этого превращаться в эластичную деталь, способную переносить серьёзные деформации.
Исследователи фактически использовали машинное обучение как инструмент материаловедения. Модель искала область, где одновременно выполняются ограничения технологического процесса и требования к готовому изделию.
Где могут использовать такую технологию
Авторы рассматривают мягкую робототехнику как один из первых вариантов применения нового материала.
Эластичные захваты подходят для работы с продуктами питания, лабораторными образцами и другими объектами, которые легко повредить обычным металлическим манипулятором.
Метод поиска материалов потенциально интереснее самой демонстрационной руки. Исследователи считают, что аналогичный подход можно использовать при разработке материалов для носимой электроники и индивидуальных медицинских устройств, где одновременно важны эластичность, форма и возможность точного производства.
При этом сама технология пока остаётся исследовательской. В опубликованной работе не заявлены сроки коммерческого выпуска роботизированной руки или готового промышленного материала.
Исследование объединило сразу несколько корейских институтов
Работу выполнили специалисты KAIST, Корейского института науки и технологий KIST, Сеульского национального университета науки и технологий и других исследовательских организаций.
Среди руководителей проекта — профессор Сынчхоль Ли из KAIST и Чонбом На из KIST. Первые авторы исследования — Ёнхан Сон и Бомсу Пак.
Статья под названием Machine learning guided formulation design of digital light processing printable elastomers beyond viscosity stretchability tradeoff впервые появилась в Nature Communications 4 июня 2026 года. 1 сентября KAIST отдельно представил результаты исследования и показал применение материала в мягкой робототехнике.
Демонстрация хорошо показывает практический результат: один и тот же трёхпальцевый захват способен бережно удержать хрупкое яйцо и поднять бутылку с килограммом воды. При этом роль ИИ заключается не в управлении роботом, а в поиске состава материала, из которого такой захват удалось напечатать
