丁心瑩、林祐儀、黃天榮 / 工研院材化所
TPEE鞋材發泡製程可概略分為原料處理、配方混煉、超臨界發泡與後段成型四個階段。不同階段的操作條件共同影響泡孔結構，發泡製程涉及多個高度耦合的物理階段，製程條件需在材料流變、發泡動力學與結構固化之間需取得平衡，溫度、壓力與操作參數彼此影響，且呈現明顯非線性行為，進而反映在比重與回彈等最終物性上。在TPEE鞋材發泡這類高成本、少量數據的製程開發情境下，「小數據」並不必然等於只能試錯；透過AI主動式學習驅動的迭代流程，小量實驗可以被轉化為可持續更新的「設計導航」。本研究強調的重點不在追求單次預測精度，而在於以代理模型、不確定度評估與多目標取捨，將零散試驗結果整合為可回饋、可收斂的決策機制，從而降低無效試驗投入並縮短開發週期。進一步而言，當此機制結合工程經驗或製程模擬作為先驗資訊，便能在新材料/新條件導入初期提供更具方向性的探索起點；若能制度化導入日常決策流程，企業即可把「小數據」累積成可追溯、可重複運作的「大設計能力」，讓資料與模型從一次性的分析工具，成為長期可沿用的製程優化底座。
【內文精選】
小數據的困境及解決方法
2. 預測模型建立
如圖二所示，透過建立代理模型（步驟二），既有的資料得以轉化為一個可低成本反覆使用的虛擬實驗替身，用以推估不同參數組合下可能的製程反應結果，代理模型的目的並非取代實體試驗，而是補足實體試驗在覆蓋設計空間上的不足，使工程師能先行掌握製程的可能走向。在小數據條件下，代理模型的重點不在於追求單一數值上的極高準確度，而在於提供可用來指引工程判斷的不確定度資訊，能清楚指出哪些預測仍需要透過後續實體試驗加以確認。
圖二、小數據驅動之主動式學習：TPEE超臨界發泡製程優化流程
實際測試案例
如圖六所示， 本研究以Gradient Boosting Regressor（梯度提升回歸）為初始測試模型，針對TPEE發泡材料的兩項關鍵物性，比重(Spec Density)與回彈率(Rebound)建立預測架構。模型以IV值、溫度設定、氣體注入量等製程參數作為輸入，並以實驗端提供的20組初始試驗為訓練資料，採訓練集與測試集切分進行效能評估。訓練結果顯示，比重與回彈率在訓練集上的決定係數R²分別達0.959與0.866，顯示即便樣本數有限，Gradient Boosting仍能有效擬合製程參數與物性之間的非線性關係。然而，在測試集上，比重與回彈率的R²分別下降至0.566與0.581，反映出典型的小數據過度擬合現象：模型對已觀測資料的解釋力極佳，但在未見條件的推論準確度仍受限於樣本稀疏性。如何在有限實驗次數下，系統性補齊模型盲區，正是後續導入主動式學習迴圈的核心動機---以上為部分節錄資料，完整內容請見下方附檔。
圖六、主動式學習初始迭代流程示意：由邊界探索到實驗回饋
★本文節錄自《工業材料雜誌》471期，更多資料請見下方附檔。