筑波大学、NIMS郑销阳《AM》顶刊综述：深度学习在力学超材料中的应用

力学超材料具有由其微观结构和组成材料所决定的不寻常的力学性能。对它们的材料和几何分布进行设计，可以实现前所未有的特殊性能和功能。然而，目前的力学超材料设计在很大程度上依赖于有经验的设计师通过试错法进行，而且研究它们的力学性能需要费时费力的力学测试或计算模拟。但是，最近在深度学习方面的进展已经彻底改变了机械超材料的设计过程，例如，能够在没有先验知识的情况下进行性能预测和几何形状的生成，甚至是进行逆向设计。

筑波大学、物质材料研究机构（NIMS）的郑销阳博士等在《Advanced Materials》发文，介绍了深度学习在力学超材料的性能预测、几何生成和逆向设计方面的应用。此外，此文还强调了利用深度学习来创建普适性的数据集、智能设计的超材料和材料智能的潜力。相关研究以“Deep Learning in Mechanical Metamaterials: From Prediction and Generation to Inverse Design”为题发表在Advanced Materials（IF: 32）上。

原文链接：

https://doi.org/10.1002/adma.202302530

力学超材料（mechanical metamaterials）具有由其几何空间结构所决定的属性，因此，又可以被叫做architected materials。通俗地来讲，原子可以组成材料，材料可以通过几何构建生成结构单元（building block），多个结构单元可以重复排布，形成一个力学超材料。如何设计这些结构单元，并且获得超乎寻常的力学性能，是力学超材料研究的关键。通常，力学超材料的研究主要是正向设计的方式：先由一个设计者根据自己的经验、直觉、或者灵感，使用建模软件或者算法生成一个力学超材料的几何模型（几何生成），然后通过有限元模拟或者力学测试研究这个力学超材料的力学性能（性能预测）。

图1：力学超材料的概念

而深度学习可以使用神经网格完成几何生成与性能预测这两个任务，从而节省时间与资源。甚至，使用深度生成模型（deep generative model）等，还可以实现逆向设计：也就是输入一个力学性质，然后训练好的神经网格输出一批对应的力学超材料。

性能预测主要是使用监督学习（supervised learning）完成的。通常使用的数据集是一批力学超材料的几何模型与其对应的力学参数。这些几何模型可以是图片或者是3D模型，或者是建模参数。常用的神经网格模型有多层感知器（multilayer perceptron）、卷积神经网络（convolutional neural network）、循环神经网格（recurrent neural network）、和图神经网格（graph neural networks）。训练好之后，这些模型可以预测输入的几何模型的力学性能。

图2：深度学习在力学超材料中的应用。

几何生成主要是使用无监督学习（unsupervised learning）完成的。通常使用的数据集只有力学超材料的几何模型本身。常用的神经网格模型为深度生成模型，比如生成对抗网格（generative adversarial network，GAN）和变分自编码器（variational autoencoder，VAE）。这些深度生成模型可以生成与训练的数据集相似的几何模型，从而加速力学超材料的设计。

逆向设计通常实施起来比上述两个更为复杂。根据模型的不同，逆向设计可以分为间接、半直接和直接逆向设计。间接逆向设计通常使用一个神经网格预测输入的力学超材料的性能，然后使用元启发式算法（metaheuristic algorithm），比如演化策略（evolution strategy）和遗传算法（genetic algorithm），过滤得到目标的力学超材料。半直接逆向设计可以通过神经网格映射力学性能与建模参数的关系，从而得到目标的力学超材料。之所以叫半直接是因为建模参数需要额外的算法得到力学超材料的几何模型。直接逆向设计可以通过监督学习训练深度生成模型，从而直接生成力学超材料的2D像素或者3D体素的几何模型。

对于今后的展望，由于目前关于力学超材料的深度学习的工作都是基于不一样的数据集的，因此需要建立一个普适性的数据集，可以涵盖大量不同的力学超材料，并能映射出全面的结构-性能关系。第二是可以利用新的机器学习算法（比如physics-informed machine learning）和增材制造技术（比如4D打印），设计并且制备可以与环境发生互动的智能力学超材料。第三是是否可以利用力学超材料其复杂的内部交错的结构，模拟可训练的物理神经网格，从而制备可以与外界刺激交互，进行自主学习的材料智能。

该文章有望给材料设计、材料信息学、人工智能、机械工程等学科领域的学者提供见解与灵感，从而推进力学超材料的设计与应用，以及别的基于深度学习的研究的发展。

筑波大学和NIMS的郑销阳博士和渡邊育夢教授为通讯作者，前者为一作。该工作受日本学术振兴会（22J11202）和筑波大学研究支援同好会（https://sites.google.com/view/rs-tsukuba）的支持。

*感谢论文作者团队对本文的大力支持。