预测新材料功能特性并生成海量假想的材料，从中筛选合适的可行性材料，可以大大节省原材料，并减轻实验室大量的工作量。 一个人工智能模型试图做到这一点，结合计算机科学（人工智能的一种形式）设定实验参数，以期达到结果与预期功能相匹配的效果。
来自于中国和英国的研究团队已经将人工神经网络和演化算法结合起来建立模型，然后应用它来确定自清洁超疏水表面所需的参数。 首先定义与超疏水表面特征相关的参数，包括粘附力，水接触和滑动角度等，以及水滴在自洁过程中撞击疏水表面上的弹跳行为及其影响因素。该模型先是通过调整实验参数来建立可行性策略，随后根据不同等级表面形态内的纳米结构，确定水滴体积以及测量粘附力时液滴在表面需行进的距离。 研究人员还为其模型设定了更为具体的参数，例如自清洁表面的水接触角度需要大于150度。 应用使此模型可以对某些力学关系（如水滴体积对滑角测量的影响）更好地理解，它有助于确定每个参数对目标功能的影响程度。由于这些关系的复杂性和实验条件的不可重复性，确立这些参数比实验中的实际操作还要困难。 说了这么多。 那么，与传统的体力劳动相比，这个模型是如何衡量的？ 图片展示了PVC /硅胶表面的超疏水性 插图分别为水与超疏水表面接触形态和滑动角度
使用不同纳米粒子SiO2含量的聚氯乙烯（PVC）可制成仿生超疏水表面，并将人工智能应用于分析数据并生成模型，优化所有参数。 “使其获得的最佳参数与实验观察结果一致。”相关研究人员表示，只需采集小型数据精确调整模型， 是他们技术的另一个优势所在
