博文
SMMF|中国科学技术大学翟晓雅：基于体素的机械超材料快速逆向设计的引导扩散法 
精选
|
本文针对高分辨率体素表征力学超材料计算量大的问题，提出基于自条件扩散模型的快速逆向设计框架。通过“生成 — 筛选 — 再训练” 迭代构建数据集与高性能生成模型，在指定显卡上生成目标微结构仅需 0.42 秒，较传统梯度拓扑优化提速百倍。该模型可探索极端超材料、支持多尺度设计，生成几何与性能连续变化的超材料，在结构工程领域具有重要应用与研究价值。
01 研究内容简介
一、问题背景机械超材料是一类通过精心设计微结构而获得常规材料难以达到的机械性能的“结构赋能”材料。其宏观性能并非主要来源于材料本身的化学组成，而是来自于微观结构的空间分布。通过结构设计实现高刚度、高强度、轻量化以及各类定制化的力学响应，成为近年来材料设计领域的重要研究方向。然而，机械超材料的逆向设计问题极具挑战性：即在给定目标力学性能后，如何构造满足该目标的微结构形态。这一问题具有以下难点：1. 设计空间维度极高：三维高分辨率（如128³）体素结构包含数百万自由度；2. 性能映射复杂：结构形态与均匀化弹性张量之间的映射高度非线形且不可逆；传统拓扑优化方法需要反复进行有限元分析与灵敏度计算，计算效率难以满足工程需求。尽管已有研究尝试利用机器学习方法学习性能与结构之间的关系，但多数方法仍停留在性能预测阶段，在真正的高分辨率三维逆向生成方面存在明显不足。二、解决方案本文提出了一种基于条件扩散模型的快速逆向设计框架，将生成式人工智能引入机械超材料结构生成领域，实现从性能目标到结构形态的一对多映射。与传统基于梯度优化的方法不同，我们将逆向设计问题转化为条件生成问题，通过学习联合概率分布，实现一步生成式设计。我们采用体素作为微结构的结构表示，并基于立方对称性把生成完整的单胞简化为生成八分之一单胞。为保证训练数据覆盖更广泛的性能空间，我们进一步提出“训练-生成-筛选并增加数据-再训练”的主动学习策略，动态扩充训练样本，提高模型对不同弹性目标的泛化能力。经过多轮主动学习，我们的数据集和生成模型覆盖范围都得到了显著提升。我们还在快速生成微结构单胞的基础上扩展了三种应用。1. 将我们的生成模型与传统优化过程结合，得到更接近性能极限的微结构；2. 利用隐空间中的球面插值，得到一系列性能和结构都连续过渡的微结构族，并在采样过程中引入额外的边界相似性引导使微结构族的边界过渡更平滑；3. 结合多尺度设计，得到力学隐身斗篷。
三、实验结果
相较于迭代拓扑优化动辄数十分钟甚至数小时的计算时间，我们的方法在GPU上生成一个128^3的三维结构仅需约0.4秒。我们通过数值仿真计算了生成结构的所需属性，与指定属性的平均误差仅在1.30%。此外，我们还对同样的指定属性生成了多个微结构，结果表明，我们生成的微结构不仅具有较好的多样性（即对同一个弹性张量生成不同结构的能力），还具有较好的新颖性（即生成与数据集不同结构的能力）。
我们进一步通过三个扩展应用证明了我们的方法的广泛应用。1. 通过与拓扑优化方法结合，我们的生成模型为优化过程提供更好的初始，解决了拓扑优化结果依赖初始并经常陷入局部最优的困扰，得到了比直接生成和直接优化都更接近极限性能的结构。2. 通过引入隐空间球面插值方法，我们得到了一系列力学性能和几何结构都连续变化的微结构族，用这些微结构族拼装的宏观结构保持单元间的连接性，使得整体材料具备可调的性能。3. 把我们的方法应用于多尺度设计，并以力学隐身斗篷作为示例，我们在不同周围材料和缺陷形状下都得到了能很好的隐藏结构缺陷的力学隐身斗篷。
四、研究贡献在这项工作中，我们首次系统性地将扩散模型应用于三维机械超材料逆向设计，实现可控的条件生成，比传统的基于梯度优化的逆向设计方法提速二到三个数量级。通过主动学习扩充数据集，使模型覆盖更广弹性空间，从而提高泛化能力与稳定性。并将我们的模型与三个实际设计问题相结合，展现了广泛的解决实际问题的能力。
02 资助信息
本研究得到了中国国家重点研发计划（项目编号：2024YFA1016300）、国家自然科学基金（项目编号：62402467、62025207、61972368、92570201）、国家自然科学基金重点项目（编号：12494555）、以及仲英基金会的资助。03 原文信息
Yang, Yanyan, Lili Wang, Xiaoya Zhai, Kai Chen, Wenming Wu, Yunkai Zhao, Falai Chen, Ligang Liu, and Xiao-Ming Fu. "Guided diffusion for fast inverse design of voxel-based mechanical metamaterials." Smart Materials in Manufacturing 4 (2026): 100129.04 原文链接
https://doi.org/10.1016/j.smmf.2026.100129
05 期刊简介
Smart Materials in Manufacturing (SMMF) 是一本跨学科的开放获取型国际期刊。期刊主要关注最新型嵌入式功能材料的制造、加工及创新，聚焦现有及最前沿的处理新型材料及系统的制造技术。期刊主编由RMIT University的Cuie Wen教授担任。
SMMF主要刊发原创研究论文、权威评论和最前沿的研究理论及观点。涉及研究领域包括但不限于结构层次、仿生学、受控相位形成、结构适应性、形状记忆和变形能力、刺激响应、针对目标应用、传感和驱动的改进和定制特性。
所有投至期刊的文章均经过严格、高水平的同行评审，一经收录将发表在月活用户超过2000万的ScienceDirect平台，供领域内的学者、及全球读者免费阅读、下载及引用。欢迎广大师生、学者朋友们积极投稿！
目前，期刊已被DOAJ，ESCI，Scopus，CAS(美国化学文摘)，Ei Compendex，EBSCO及INSPEC等数据库收录，且SCImago排名Q1区。
https://blog.sciencenet.cn/blog-3496796-1526430.html
上一篇：Fundamental Research ｜魏航、刘滨等：读懂生命密码：生物序列分析的进展、应用与挑战
