（来源：中国航空报）

　　GraphMetaMat是一个逆向设计框架，它允许用户基于自定义输入，从零开始创建以图形形式呈现的超材料设计。其AI系统会迭代添加图形节点和边，以定义材料的几何形状和拓扑结构，并集成制造和缺陷约束。　　从汽车保险杠到航空航天飞行器结构，再到医疗植入物，许多工业产品的性能都归功于轻质蜂窝材料。这些性能优异的合成材料旨在满足特定的功能目标，但在制造过程中产生的缺陷往往会导致性能不佳，甚至灾难性的故障。　　如今，加州大学伯克利分校领导的研究团队开发了一种新的人工智能驱动框架，可以更高效地设计三维桁架超材料——一种具有卓越机械性能、吸声能力和可调性的结构，同时还可最大限度地降低其对缺陷的敏感性。　　在发表于《自然机器智能》杂志的文章中，研究人员展示了他们正在申请专利的建模方法（名为GraphMetaMat）如何利用深度学习技术弥合超材料设计与可制造性之间的差距，为新型、实用的材料铺平道路。　　“到目前为止，人工智能和材料设计领域的大部分工作都停留在理论和计算领域，它们能够提供在理想条件下表现良好的设计，”材料科学与工程副教授、该研究的首席研究员郑晓宇说道，“GraphMetaMat表明，人工智能可以针对特定的制造方法提供量身定制的逼真设计，并针对各种制造相关缺陷进行优化。它为自动化设计可制造、具有按需功能的容错材料奠定了基础。”　　虽然数据驱动设计和增材制造的进步显著加速了桁架超材料的发展，但郑晓宇解释说，现有的逆向设计方法存在固有的局限性。它们可以生成具有目标线性特性（例如弹性）的超材料，但难以捕捉更复杂的非线性行为（例如能量吸收），而这些特性正是汽车保险杠和运动防护装备等产品所必需的。　　郑晓宇表示：“拓扑优化或直觉引导的迭代方法等设计方法擅长预测简单的响应。但对于许多实际问题，这些方法无法有效地设计出具有所需功能、可制造性和对制造过程中引入的缺陷耐受性的材料。”　　最近，研究人员考虑使用图神经网络进行超材料设计，因为它已被证明是药物研发的有力工具。但用于设计超材料的训练数据很少甚至没有。　　郑晓宇和他的同事们通过将多种深度学习技术——强化学习、模仿学习、替代模型和蒙特卡洛树搜索等集成到GraphMetaMat中解决了这个问题。　　“用户可以根据自定义输入，例如所需的应力-应变曲线或特定的振动衰减间隙（在特定频率下机械波被阻挡），从头开始创建以图形表示的超材料设计。”材料科学与工程系博士后研究员、该研究的主要作者Marco Maurizi说道，“我们的AI系统会迭代地添加图形节点和边，以定义材料的几何形状和拓扑结构。”　　最重要的是，据郑晓宇介绍，GraphMetaMat还可以将工程约束（包括制造和缺陷约束）集成到图形中。GraphMetaMat具有独特的能力，可以解决制造过程中引起的缺陷。这项创新具有革新性的意义，因为它可以确保生成的超材料在制造过程中出现微小缺陷时不会失效。　　在概念验证中，研究人员使用GraphMetaMat设计了轻质桁架超材料，并针对不同频率的能量吸收和振动缓解进行了优化。在每种用例中，生成的超材料的性能均优于传统材料，包括聚合物泡沫和声子晶体。　　郑晓宇表示，根据研究结果，GraphMetaMat有可能重新定义设计范式并为创造逼真的高性能超材料打开新大门。　　（逸文）