图 | 吴志刚（来源：吴志刚）
通过精确地调控构造的应力应变曲线，该方法可以办理超材料设计中参数繁芜、几何变形非线性、以及材料本构非线性等问题带来的寻衅。
并能取得与实验和仿真结果相匹配的高准确度结果，有助于引领超材料设计领域的发展，以及助力机器智能系统的发展。
对付柔性力学超材料来说，它每每拥有轻量化、高强度、生物相容性、快速相应性、良好的减震性、以及较高的环境顺应性。
故可被用于抗震建筑、轻量化构造、生物医学植入物、具身智能机器人等领域。
在抗震建筑领域，柔性力学超材料能够发挥良好的减震性能，从而能够增强建筑物的抗震性能。
在轻量化构造领域，柔性力学超材料能被用于制造轻量化、高强度的航空航天器构造，从而能够提升翱翔器的性能和燃料效率。
在生物医学植入物领域，柔性力学超材料能被用于制造耐久性更好、生物相容性更高的植入物，比如用于制造人工枢纽关头和骨修复材料等。
在具身智能机器人领域，柔性力学超材料能被用于制造灵敏度更高、环境适应性更强的机器人，从而能够更好地适应繁芜环境、更好地实行风雅任务。
根据运用工具，实现按需逆向设计
当前，不少科研职员都在考试测验将研究内容与 AI 结合。然而，对付柔性力学超材料构造设计这一领域来说，它与 AI 相结合的起步较晚。领域内的大部分学者也方向于在现有体系之下进行创新。
据先容，传统构造设计方法是一种正向设计方法，即是一种从构造到性能的方法，要想实现具有特定力学性能的构造，常日须要不断地试错。
而逆向设计方法，则是一种从性能到构造的方法，它可以优化构造设计的迭代流程、缩短设计周期，从而加快产品开拓速率。
然而，在逆向设计中，构造力学性能与其构造参数之间的数学关系更为繁芜。因此，该团队决定将 AI 和构造设计结合，以期实现柔性力学超材料的逆向设计。
凭借逆向设计的高效、低本钱特点，合营柔性力学超材料行为可编程特性，将有助于更快、更好地实现机器智能。
（来源：Advanced Materials）
此外，AI 也能帮助打破柔性力学超材料设计中的已有难题：
首先，对付拓扑优化、等几何优化、有限元剖析等传统构造设计方法来说，它们都是从数学逻辑出发，不仅打算本钱较高，泛用性也有待增强。而 AI 则能降落逆向设计的本钱、以及提高泛用性。
其次，在柔性力学超材料的设计中，常日会涉及到大量的构造参数。而 AI 可以帮助人们从繁芜数据中提取新特色，从而创造某些依赖人力难以创造的数学规律，进而提高设计效率。
再次，在现有的柔性力学超材料设计方法中，人们很少考虑非空想的构造构型、非线性的大变形、以及非线性的材料本构模型等成分。
通过 AI 方法办理这些非空想成分引入带来的繁芜性，将有助于提高设计的精确度、以及提高设计方法的有效性。
对付传统的真人机器构造设计师来说，他们每每是“越老越吃喷鼻香”。即设计的构造越多，履历也就越丰富。
但这也反响了却构设计领域非常依赖设计履历的问题。而对付长于剖析大量数据的 AI 来说，这实在是一个能够施展拳脚的舞台。
即通过大量地学习数据和履历，AI 能够总结高度非线性数学关系中的规律，来帮助人类实现快速的设计。
因此，当把基于数学逻辑的传统方法，与基于数据驱动的 AI 技能兼收并蓄，就能让不同设计方法互为补充，打破柔性力学构造设计中的难题，实现高效率、高准确性的柔性力学超材料的设计。
但是，如前所述，柔性力学超材料本身存在构型不足空想、非线性大变形、以及非线性本构模型等问题。
而通过有限元剖析高精度仿照非空想、非线性的约束，结合机器学习拟合高度非线性的数学关系，让该团队得以在本次研究之中，根据运用工具实现按需的逆向设计。
先从搞定繁芜材料做起
详细来说，课题组将打算机仿真技能与机器学习算法加以结合，利用基于数学逻辑的仿真天生的数据，来演习机器学习模型，借此定下了逆向设计的思路。
天生精确仿真数据的第一步，便是精确刻画材料的本构模型。
事实上，对付任何一种材料来说，它在变形时的行为，都是弹性行为、粘性行为和塑性行为的组合。
而在针对不同材料进行考试测验之后，该团队决定利用热塑性聚氨酯来作为根本材料。
缘故原由在于：其拥有较好的弹性和塑性。在受到不同速率施加的外力浸染时，还能表现出不同的变形粘性，并且变形时的力学行为更为繁芜。
既然热塑性聚氨酯材料这么“繁芜”，那么如果能够针对它的构造实现精确设计，那么对付其他具有相似繁芜度、或者繁芜度更低的材料构造来说，一定能够带来一定参考。
（来源：Advanced Materials）
而为了确保仿真结果能够准确地反响现实中的实验结果，他们不断地调度实验假设与仿真设置。
在此根本上，他们利用 Python 脚本，开展了大规模的打算处理和数据处理，天生并剖析了大量仿真数据。
完成数据的网络和处理之后，课题组开始构建逆向网络和正向网络，以便实现柔性力学超材料的逆向设计。
（来源：Advanced Materials）
对付逆向网络来说，它可以学习从目标性能到材料构造的映射关系，从而能够根据给定的目标性能参数，直接天生相应的材料构造。
对付正向网络来说，它可以学习从材料构造到材料性能的映射关系。
这时，针对逆向网络所天生的设计方案，正向网络就能考验这一方案能否知足预期性能，并针对设计结果进行验证和优化，从而确保设计方案的可行性和可靠性。
这样一来，逆向网络与正向网络的结合，就能快速地天生新型材料设计方案，从而知足特定的性能哀求。
（来源：Advanced Materials）
日前，干系论文《基于数据驱动的逆向设计调控柔性力学超材料的应力应变曲线以按需实现其不同力学相应》（Tailoring Stress-strain Curves of Flexible Snapping Mechanical Metamaterial for On-demand Mechanical Responses via Data-driven Inverse Design）以为题发在 Advanced Materials（IF 27.4）。
华中科技大学博士生柴治平和宗子盛是第一作者，吴志刚担当通讯作者 [1]。
图 | 干系论文（来源：Advanced Materials）
让真人材料工程师和 AI 并肩协作
总的来说，本次课题是该团队基于仿真数据和机器学习方法，所实现的第一个柔性构造逆向设计事情。
但它仍旧存在一定的不完美之处：比如构造构型和变形行为还比较单一。
因此，后续他们将连续环绕可变形柔性构造的逆向设计开展研究。
以人体枢纽关头为例，只管我们无法精确地到掌握每一个枢纽关头的动作，但当主动型枢纽关头动作和被动型枢纽关头动作加以结合，则能产生惊人的效果。
而这正是人类能够灵巧跑跳和操尴尬刁难象的缘故原由所在。事实上，这也正是机器智能的魅力所在。
因此，该团队希望通过设计具有各种动作行为的柔性构造，并将它们组合起来，从而形成完全的运动机构，进而能像人体枢纽关头一样灵巧运作。
而为了拓宽设计空间、以及实现动作行为多样化的柔性构造设计，他们还将进一步探索压缩行为、切变行为、波折行为和旋转行为。
希望能够完善柔性构造的逆向设计体系，为传统机器构造设计领域供应全新的思路，终极实现具有机器智能的柔性构造的设计。
此外，本次事情所采取的天生式 AI 模型，是一款较为低级的模型，对付算力的哀求并不算高。
而对付编码解码器和扩散模型等繁芜天生式 AI 模型来说，它们已经经由了一定磨练。
只管它们的算力哀求更高，但是所天生的设计方案也更丰富、更可靠。因此，该团队也正在考虑利用更前辈的天生式 AI 模型。
终极，课题组希望能将 AI 的数据剖析能力和逻辑推理能力加以结合，从而能够针对设计需求进行深度理解，让真人材料工程师可以和 AI 并肩协作，创造出具有卓越性能的机器构造。
除了研究柔性构造设计之外，课题组也在探索 AI 智能植物系统、基于 AI 的触觉感知系统、基于 AI 的适应性抓取方法、以及基于 AI 的柔性机器人动作方案等方向 [2]。
总体而言，从柔性机器人的构造、到传感、再到掌握方法，该团队希望能够充分地结合 AI 技能，开拓出一系列相辅相成的具身智能技能。
参考资料：
1.Chai Z, Zong Z, Yong H, et al. Tailoring Stress‐strain Curves of Flexible Snapping Mechanical Metamaterial for On‐demand Mechanical Responses via Data‐driven Inverse Design. Advanced Materials, 2024: 2404369.https://doi.org/10.1002/adma.202404369
2.http://www.softintel.top/journal.html