南航团队用ChatGPT实现声学超材料设计：无需编码，对话即能“智造”

近日，南京航空航天大学等机构的研究团队在Scientific Reports上发表的一项研究表明，利用ChatGPT等大语言模型，普通研究者无需编写代码，仅通过对话即可在几分钟内完成高性能声学超材料的自动化设计，AI辅助科研正变得直观和高效。

声学超材料是一类人工设计的结构，凭借“亚波长”尺度的精巧构型，能在远低于传统吸声体厚度的尺寸下，实现低频噪声的高效抑制。然而，过去要“驯服”这类结构，研究者需要在算法、代码和实验之间反复折返：先写神经网络、再调超参数、最后验证样品，整个过程周期较长且门槛较高。

南航团队意识到，近年来兴起的大语言模型（LLM）不仅具备强大的自然语言理解能力，还展现出一定的逻辑推理与任务规划能力。能否让它们协助甚至自主执行材料设计中的数据分析与建模任务？

研究团队选择的突破口是微穿孔N–H芯层夹层声学超材料。这种结构具有耦合的亥姆霍兹共振腔与微穿孔面板，其吸声性能取决于7个可变几何参数（单元长度a、宽度b、面板穿孔直径df、水平插入孔直径dh、波纹孔直径dc、面板厚度t、芯层高度h）。

图1 微穿孔N-H芯层夹层超材料及其单元示意图

在50–1000 Hz频段内建立参数-性能对应关系，这是一个典型的多变量、非线性映射问题。

为系统验证大语言模型能否胜任这一任务，研究团队基于已验证的理论阻抗模型 ，构建了包含22,000组样本的数据集：在各参数合理范围内随机生成7个几何参数，计算对应的50–1000 Hz吸声系数曲线，并按9:1:1划分为训练集、验证集与测试集。吸声曲线以50 Hz为间隔离散为20个频点，形成输入为7维向量、输出为20维向量的回归问题。

图2 理论模型与数值仿真结果对比。图2（a）和（b）分别展示了两种不同几何参数配置下（见下表1），声学超材料在50-1000Hz频率范围内的理论计算（蓝色）与数值仿真（红色）的吸声系数对比。

表1 图2中两个对比案例所有7个几何参数的具体数值

表2 数据集中结构参数的范围。列出了用于生成22,000个训练样本时，各几何参数的随机采样范围。高度h固定为30mm，其余6个参数在给定区间内随机变化。

针对上述任务，作者并行测试两种LLM策略。

其一是“智能体交互策略”：用户只需在ChatGPT对话框中上传数据并输入自然语言指令（如“请建立结构参数到吸声系数的映射模型”），ChatGPT便能作为智能代理，自主完成数据解析、模型选择（如随机森林）、训练与评估等步骤，通常在一分钟内返回预测结果或模型文件；继续通过对话指令（如“请根据目标吸声曲线反推几何参数”），代理即可给出对应的结构尺寸建议。该流程全程依托云端大模型服务，用户无需本地GPU，也无需编写任何代码。

图3 使用ChatGPT实施智能体交互策略的关键指令流程。

另一条路线是“LLM微调策略”，追求更高精度。团队以开源DeepSeek-R1-1.5B为基座，采用参数高效微调技术LoRA（仅更新约0.1%的参数），将22,000条数值样本转化为包含物理语义描述的文本提示（prompt），再设置学习率0.0005、批大小3、进行混合精度训练，在NVIDIA RTX 4090 D上耗时约三小时，得到一个专用于声学超材料性能预测的微调模型。

在正向预测任务中，输入类似“a=39.2 mm, b=6.0 mm, h=30 mm, df=0.6 mm...”的文本，模型可输出对应的20点吸声系数；逆向设计任务则将目标吸声系数作为输入文本，模型生成对应的结构参数描述。

图4 LLM微调策略流程总览图

性能对比

为客观评估两种策略的性能，作者在同一测试集上与传统的深度残差网络（8层ResNet）进行了对比。

结果显示，在全部2000组测试样本中，微调后的DeepSeek模型在逆向设计任务中的平均绝对误差（MAE）为0.0493，优于ResNet的0.0643和智能体交互策略的0.0731；在具有多峰特征的吸声曲线逆向设计中，微调模型在峰值频率附近的预测偏差更小，表现出更好的复杂映射建模能力。

图5 传统ResNet模型架构示意图

图12 综合评估雷达图。以五维雷达图（数据处理能力、易用性、准确性、适应性、效率）直观展示了三种数据驱动设计方法的综合特性对比。

应用场景

就应用场景而言，智能体交互策略虽然在部分高频多峰场景下精度略有不足，但其全程在对话界面中完成，单次任务通常在几分钟内即可完成，对本地计算硬件无要求，非常适合快速原型设计与概念验证；微调模型则需要高性能GPU（显存约24 GB）与数小时的训练时间，但能获得更高的精度，并具备通过持续注入新数据不断进化的潜力。

这项实验表明，大语言模型已能在无需用户具备编程技能的条件下，有效协助完成声学超材料的正向性能预测与逆向结构设计，为非AI专业背景的研究者提供了一种低门槛、易用且快速的替代方案，同时也验证了自然语言作为人机交互接口在复杂工程设计流程中的可行性与实用价值。

论文信息：Jiang, Y., Cao, S., Meng, H. et al. A data-driven design for sound absorption of acoustic metamaterials based on large language models. Sci Rep 16, 537 (2025).https://doi.org/10.1038/s41598-025-29930-2

“声学大家谈”是我们推出的一档直播栏目，专为声学创新技术、创新产品发声（↑点击图片进入链接了解更多）。

关于我们

21dB声学人是中国科学院声学研究所苏州电声产业化基地旗下科技媒体，专注于声学新技术、音频测试与分析、声学市场调研、声学创业孵化、知识产权服务等。

合作推广

稿件投稿｜创业支持｜知产服务｜技术转化

请发送需求至以下邮箱，我们将派专人与您联系

21db@ioasonic.com

免责声明

本文内容基于该期刊论文公开信息撰写，仅供学术交流与信息分享，不为其版权负责。所有技术细节、实验数据与结论均以原论文为准。如涉及侵权、隐私等问题，请联系我们及时删除。联系微信：acoustic21dB