近期，中国石油大学（华东）胡涵、吴明铂教授（通讯作者）团队报道了机器学习指导3D打印的设计策略，建立了碳微晶格电极结构参数与其超级电容性能之间的机器学习模型，用于可定制的超级电容性能的高效设计。首先，该论文通过3D打印制备了9个具有不同结构参数的电极，在三电极测试条件下评价了其面电容性能。将这9个数据点作为原始的训练集用于构建机器学习模型；其次，作者比较了四种机器学习算法的模型拟合效果，包括随机森林（RF）、线性回归（LR）、支持向量回归（SVR）和人工神经网络（ANN）。模型拟合结果显示随机森林算法（RF）呈现出最佳的拟合效果，R2决定系数高达0.978而均方根误差低至0.073。这是因为随机森林算法在特征选择及子模型生成阶段引入的随机性和鲁棒性非常适合本论文小数据集的预测问题。因此，作者在本文中选择随机森林模型为主要研究对象，详细讨论了电极结构参数的特征重要性以及可定制的超级电容性能，并通过电化学活性面积测试以及有限元分析深入揭示了其内在影响机制。相关成果以“Machine learning guided 3D printing of carbon microlattices with customized performance for supercapacitive energy storage”为标题发表于国际著名期刊《Carbon》，中国石油大学（华东）的博士生杨浩和超威半导体公司的房亮工程师是本文共同第一作者。