Voorspellend ontwerp van rekbare elektroden met rek-ongevoelige prestaties via een door robotica en machine learning geïntegreerde workflow

Elektronica die kan rekken als huid

Van slimme shirts die onze hartslag volgen tot zachte robots die bewegen als levende wezens: de apparaten van morgen hebben bedrading en batterijen nodig die kunnen rekken, draaien en buigen zonder te falen. Dit artikel beschrijft een nieuwe manier om dergelijke “rekbare elektroden” te ontwerpen, zodat ze blijven werken zelfs wanneer ze tot meerdere malen hun oorspronkelijke lengte worden uitgerekt. Door laboratoriumrobots, kunstmatige intelligentie en computersimulaties te combineren, ontdekken de onderzoekers materialen en structuren die zich meer gedragen als elastische huid dan als bros metaal.

Waarom rekbare draden moeilijk te maken zijn

De meeste metalen en batterijmaterialen zijn uitstekend in het geleiden van elektriciteit, maar slecht in het verdragen van rek. Bij uitrekking barsten dunne metaalfilms snel en neemt hun elektrische weerstand sterk toe, waardoor apparaten uitvallen. Ingenieurs hebben geprobeerd met vloeibare metalen, netwerken van nanodraden en slimme patronen die spanning spreiden, maar het tegelijkertijd waarborgen van drie eisen — hoge geleidbaarheid, grote rekbaarheid en stabiele prestaties onder spanning — blijft lastig. De gebruikelijke proef-en-foutbenadering, waarbij telkens één parameter wordt aangepast, kan simpelweg niet omgaan met het enorme aantal mogelijke recepten en bewerkingsstappen.

Robots en AI laten een enorme ontwerpruimte verkennen

De auteurs pakken dit probleem aan door een geïntegreerde “materialenontdekking”-pipeline te bouwen. Een pipetteerrobot mengt eerst honderden combinaties van vier bouwstenen: geleidende MXene-vellen, koolstofnanobuisjes, goudnanodeeltjes en een flexibel polymeer. Deze mengsels worden gefilterd tot dunne films en getest op hun elektrische geleidbaarheid. Met deze resultaten sluit een machine-learningmodel snel slechte kandidaten uit en brengt een kleiner, veelbelovend gebied van de ontwerpruimte in kaart. Vervolgens stelt de AI in meerdere ronden van “actief leren” de meest informatieve nieuwe recepten en verwerkingscondities voor; de robot maakt ze, het team meet hun eigenschappen en het model wordt bijgewerkt. Data-augmentatietrucs verhogen bovendien de betrouwbaarheid van het model zonder duizenden extra experimenten te vereisen.

Het creëren van kleine rimpels die grote rek temmen

Naast de samenstelling is het belangrijkste inzicht dat de oppervlaktevorm van de films zó kan worden ontworpen dat ze rek aankunnen. Door het materiaal te krimpen en opnieuw uit te rekken op speciale kunststof vellen en kleefbanden, creëert het team microgetextureerde films met hiërarchische rimpels en kreukels — richels bovenop ribbels. Computersimulaties laten zien hoe deze vormen werken: bij uitrekking trekken de rimpels eerst strak, waarbij de vervorming wordt geabsorbeerd zodat het materiaal zelf slechts kleine lokale rekken ondergaat. Zolang die rekken onder een bepaalde grens blijven, blijven de geleidende paden intact en verandert de elektrische weerstand nauwelijks, zelfs bij honderden procenten verlenging.

Van extreem rekbare draden tot zachte batterijen

Met behulp van het ‘kampioen’-voorspellingsmodel raadt de workflow een specifieke microgetextureerde nanocomposiet aan als ondersteunende onderlaag voor een zeer dunne goudfilm. Deze geoptimaliseerde stapel levert een goudgeleider die zich bijna als bulkmetaal gedraagt maar meer dan tien keer zijn oorspronkelijke lengte kan worden uitgerekt voordat de weerstand merkbaar toeneemt, en die tientallen duizenden rek–ontspan-cycli overleeft. Dezelfde ontwerpprincipes worden vervolgens toegepast om een volledig rekbare zink–mangaanoxide batterij te maken. Hier herbergen de microgetextureerde goudcollectoren dikke lagen stijve batterijmaterialen, maar het afgewerkte apparaat kan tot 300 procent worden uitgerekt terwijl het nagenoeg dezelfde capaciteit en efficiëntie levert over honderden laad–ontlaadcycli.

Wat dit betekent voor toekomstige draagbare technologie

Voor niet-specialisten is de kernboodschap dat het team een praktisch recept heeft aangetoond voor het bouwen van zachte, duurzame energie- en bedradingcomponenten die met ons lichaam of met zachte machines kunnen meerekken. In plaats van te vertrouwen op langzaam giswerk vindt hun door robot en AI geleide proces snel combinaties van ingrediënten en oppervlaktevormen die de elektrische prestaties ook onder extreme vervorming stabiel houden. Deze strategie kan de ontwikkeling van comfortabele medische draagbare apparaten, flexibele Internet-of-Things-apparaten en de volgende generatie zachte robots versnellen, en brengt ons dichter bij elektronica die net zo natuurlijk beweegt als de huid en spieren waarmee ze moeten samenwerken.

Bronvermelding: Yang, H., Chen, Q., Chen, T. et al. Predictive design of stretchable electrodes with strain-insensitive performance via robotics- and machine learning-integrated workflow. Nat Commun 17, 1778 (2026). https://doi.org/10.1038/s41467-026-68484-3

Trefwoorden: rekbare elektronica, draagbare apparaten, machine learning-ontwerp, zachte batterijen, microgetextureerde materialen