借助机器学习和3D打印，快速实现超材料结构逆向设计

关注

原创最新推荐文章于 2026-09-24 19:32:00 发布 1.4k 阅读 AI 写同款· GEO 优化 ›

将机器学习用于超表面设计，宏观光学设计新方法？近年来，超表面结构的光学技术开始受到越来越多关注，超表面是一种二维超材料，它可以在亚波长范围内，灵活调控入射光的振幅、相位和偏振，具有强大的光场操控能力，并且可实现传统光学不具备的功能。此外，利用该方法制造的超表面原型的重建电场，与目标电场足够接近，同样验证了设计的有效性。因此科研人员提出了结合机器学习的新工艺，其原理是让预训练网络首先通过衍射理论、参数扫描，来推算出单元结构的参数信息，并根据这些信息来调控超表面的幅值和相位，然后输入到迁移学习框架中，来映射模拟的电场分布和输入图像，实现全息图像生成。阅读详情

材料的固有机械行为可以通过施加力和测量产生的变形、屈服应力应变曲线来进行实验表征。例如，在拉伸载荷下，陶瓷等脆性材料的机械行为的特征是应力-应变曲线具有线性区域，随后出现尖锐的终止；弹性体表现出超弹性，其特征是快速上升的上凹应力应变曲线，没有明显的线性区域。对于金属、陶瓷和聚合物等均质材料，除了随机微观缺陷的存在之外，对载荷的响应还取决于固有的微观结构，例如晶体结构、原子键合以及组成分子/原子的尺寸和质量。

通过三维超材料微架构设计，增材制造可以实现对材料的机械性能定制，这些材料可以表现出不寻常的特性，如负泊松比、负压缩性、超轻和超刚度，形状可恢复性和多种稳定状态。这些架构材料在材料性能选择图表（如阿什比图表）中实现了以前无法达到的特性，表现出这些特性的架构材料通常是通过正向设计方法、拓扑优化以及机器学习来设计的。正向方法可迭代调整材料的设计参数（如单元尺寸、壁厚等），直到测量或模拟的材料性能满足规定的设计标准，这通常需要经验丰富的设计师的大量经验知识。虽然拓扑优化和机器学习已经显示出能够产生提供所需属性的设计潜力，但由于设计映射和响应不唯一，它们尚未在实践中准确捕获所有所需的机械行为，同时还存在大量变量。这些设计方法还由于制造缺陷、工艺可变性和不确定性的存在而变得更加复杂，需要大量的校准来解释具有数亿空间成分的增材制造样品中的缺陷。由于这些挑战，制造的样品的实际机械性能通常与设计性能显著偏离。

3D打印技术参考注意到，来自弗吉尼亚理工大学、加州大学、加利福尼亚大学、四川大学以及剑桥大学的研究人员共同发表了题为“Rapid inverse design of metamaterials based on prescribed mechanical behavior through machine learning（“通过机器学习根据规定的机械行为快速进行超材料逆向设计”）”文章，刊登于近期的《自然通讯》杂志上。

www.nature.com/articles/s41467-023-40854-1

在这项工作中，研究人员提出了一种利用人工智能和3D打印开发具有精确定义属性材料的新方法。通过3D打印制造人工智能生成的结构，能够使材料具有定制的机械特性。弗吉尼亚理工大学的郑晓宇教授解释，迄今为止，材料开发主要基于应力-应变曲线。然而，制造公差通常会导致与所需性能的偏差。研究人员如今通过人工智能和3D打印提出了一种新方法，用户定义材料所需的机械性能，人工智能由此生成3D模型，然后进行打印。

基于机器学习的快速逆向设计方法

就设计方法来说，遵循了几个步骤。利用生成反向和代理正向神经网络模型，输入包括用户定义的单轴压缩应力-应变曲线（以曲线特征和制造参数的形式，给定3D打印机的最大构建体积尺寸和最小可打印特征尺寸），输出一组最佳设计参数来描述数字晶格设计；然后进行3D打印和测试。为了实现这一点，研究人员开发了一系列晶格单元，能够在单调和循环压缩载荷下捕捉不同的曲线形状，这些压缩载荷涵盖了晶格/点阵/蜂窝结构的广泛力学行为。这些单元充当创建由两种不同（脆性和柔性）聚合物基材区分的训练数据集的构建块，机器学习管道从中学习各种机械行为、拓扑结构和工艺相关制造误差之间的关系，并生成复制目标应力-应变曲线的可打印晶格。这种方法允许快速创建具有完全可定制的机械行为的材料，同时考虑制造过程误差和非线性行为。

设计空间、可绘制的应力-应变曲线路径和结构单元

基于代表性目标应力-应变曲线和实验设计验证的逆向设计

为了证明设计过程的可定制性，研究人员通过图形化定制从商业中底测量的应力应变曲线来逆向设计鞋中底，以增强跑步性能。在足跟-脚趾跑步过程中，中底在不同负荷水平下被分为四个部分，每个部分的目标应力-应变曲线是通过定制基线曲线来创建的，目的是最大限度提高跑步的推进力和缓冲力。量身定制的中底由坚硬但舒适的脚趾部分、更柔软且更高推进力的前掌部分和更坚硬但耗能的鞋跟部分组成。此外，根据基底材料（TMPTA）在应变速率及其力学性能之间的比例关系对目标曲线进行了缩放，从而可以使用准静态训练数据对跑步场景中的动态响应进行逆向设计。结果显示，实验测试的曲线与每个定制截面的目标曲线之间具有极好的一致性（平均预测精度>90%），表明机器学习管道能够在不同的加载条件下产生满足多种定制机械响应的材料。