微图案已广泛应用于电子、生物材料工程和微流体研究。使用双极电化学制造具有所需特性的二氧化钛（TiO₂）纳米管微图案（TNMs）的一个关键挑战是平衡相关的实验参数并定义实验边界条件。例如，确定阳极氧化电压边界很有挑战性，因为在一定条件下，过高的阳极氧化电压可能导致钛箔熔断。本文利用主动学习来促进在一个样品上使用双极电化学法制造具有宽尺寸范围的TNMs的优化过程。从一个小数据集开始，决策树模型将正常数据与异常数据（即钛箔破裂）区分开来，这有助于定义实验边界。然后梯度提升回归树（GBRT）模型分析数据并提供优化TNMs的预测和方向。随后通过实验验证预测，新结果更新下一个学习循环的训练数据集。结果表明，机器学习算法很好地定义了实验的边界条件。并仅在几次迭代中，我们就获得了直径范围为27-470 nm的最佳TNMs，无需繁琐的实验即可将梯度扩展到最大范围。这些结果表明机器学习算法在加速材料制造和优化方面是有效的。进一步的银纳米粒子掺杂表明，大尺寸范围的TNMs是高通量筛选的有效平台。