超材料是一類由人工設(shè)計(jì)的亞波長(zhǎng)結(jié)構(gòu)組成的材料，能夠突破天然材料的固有限制，實(shí)現(xiàn)對(duì)電磁波的精確調(diào)控，如負(fù)折射率、超透鏡、隱身技術(shù)等。其中，機(jī)械超材料作為一類擁有特殊力學(xué)性能的人造材料，在航空航天、生物醫(yī)藥、能源存儲(chǔ)等多個(gè)領(lǐng)域展現(xiàn)出巨大的應(yīng)用潛力。其獨(dú)特之處在于性能并非由材料的化學(xué)成分決定，而是通過精心設(shè)計(jì)的微觀結(jié)構(gòu)來實(shí)現(xiàn)。例如，具有負(fù)泊松比的超材料在拉伸時(shí)會(huì)橫向膨脹，這種特性使其在柔性器件中具有重要應(yīng)用價(jià)值；而具有高能量吸收行為的超材料則適用于緩沖裝置。

在材料科學(xué)與人工智能交叉領(lǐng)域，超材料的設(shè)計(jì)與優(yōu)化一直是備受關(guān)注的研究方向。在機(jī)械超材料的設(shè)計(jì)過程中，通常涉及三個(gè)關(guān)鍵模態(tài)：3D 拓?fù)浣Y(jié)構(gòu)、密度條件和力學(xué)性能。這三個(gè)模態(tài)之間存在著密切的關(guān)聯(lián)，已知其中任意兩個(gè)模態(tài)，就可以推導(dǎo)出第三個(gè)模態(tài)。然而，研究團(tuán)隊(duì)通過全面回顧現(xiàn)有文獻(xiàn)發(fā)現(xiàn)，大多數(shù)已有研究?jī)H考慮其中兩個(gè)模態(tài)。例如，給定 3D 拓?fù)浣Y(jié)構(gòu)預(yù)測(cè)力學(xué)性能，或者根據(jù)所需性能生成 3D 拓?fù)浣Y(jié)構(gòu)。這種局限性使得現(xiàn)有的機(jī)器學(xué)習(xí)模型在處理復(fù)雜的實(shí)際應(yīng)用場(chǎng)景時(shí)面臨挑戰(zhàn)，難以全面捕捉三個(gè)模態(tài)之間的完整關(guān)系。

為了填補(bǔ)這一研究空白，來自美國(guó)弗吉尼亞理工學(xué)院和 Meta AI 的研究團(tuán)隊(duì)提出了一種名為 UNIMATE 的統(tǒng)一模型，首次構(gòu)建了能夠同時(shí)處理超材料設(shè)計(jì)三大模態(tài)的統(tǒng)一框架，通過模態(tài)對(duì)齊與協(xié)同擴(kuò)散生成的創(chuàng)新架構(gòu)，實(shí)現(xiàn)了拓?fù)渖伞⑿阅茴A(yù)測(cè)和條件確認(rèn)三大任務(wù)的協(xié)同優(yōu)化。該研究不僅填補(bǔ)了多任務(wù)超材料設(shè)計(jì)的技術(shù)空白，更為智能材料發(fā)現(xiàn)提供了通用方法論。

研究成果以「UNIMATE: A Unified Model for Mechanical Metamaterial Generation, Property Prediction, and Condition Confirmation」為題，入選 ICML 2025。

研究亮點(diǎn)：

* 跨任務(wù)泛化性：?jiǎn)我荒Ｐ屯瑫r(shí)解決三大任務(wù)，突破傳統(tǒng)模型的任務(wù)局限性；

* 模態(tài)對(duì)齊有效性：通過 TOT 和碼本量化，顯著縮小異構(gòu)數(shù)據(jù)的分布差異；

* 工程實(shí)用性：高效的內(nèi)存管理和參數(shù)敏感性，適用于實(shí)際材料設(shè)計(jì)場(chǎng)景。

論文地址：

??https://go.hyper.ai/FoAWw??

UniMate 機(jī)械超材料基準(zhǔn)數(shù)據(jù)集：

??https://go.hyper.ai/M7VwL??

數(shù)據(jù)集：首個(gè)涵蓋多任務(wù)的機(jī)械超材料基準(zhǔn)數(shù)據(jù)集

針對(duì)現(xiàn)有數(shù)據(jù)缺乏多模態(tài)覆蓋的問題，UNIMATE 團(tuán)隊(duì)基于 Lumpe & Stankovic（2021）的拓?fù)浣Y(jié)構(gòu)，構(gòu)建首個(gè)包含了三維拓?fù)洹⒚芏葪l件和力學(xué)性能的統(tǒng)一數(shù)據(jù)集，從 17,087 個(gè)原始拓?fù)渲泻Y選 500 個(gè)節(jié)點(diǎn)數(shù)不超過 20 的拓?fù)浣Y(jié)構(gòu)。

對(duì)于每個(gè)拓?fù)浣Y(jié)構(gòu)，研究團(tuán)隊(duì)隨機(jī)分配 3 種不同的邊緣半徑，并且為每個(gè)拓?fù)浣Y(jié)構(gòu)生成了 3 種不同的密度條件（通過邊緣半徑與等效邊長(zhǎng)公式關(guān)聯(lián)）。

對(duì)于每個(gè)拓?fù)?- 密度對(duì)，研究團(tuán)隊(duì)將 3D 結(jié)構(gòu)劃分為小的立方體素，然后應(yīng)用均勻化模擬來計(jì)算結(jié)構(gòu)的均勻化力學(xué)性能，包括楊氏模量、剪切模量和泊松比等。最終得到 1,500 個(gè)數(shù)據(jù)點(diǎn)（500 個(gè)拓?fù)浣Y(jié)構(gòu)，每個(gè)拓?fù)浣Y(jié)構(gòu)對(duì)應(yīng) 3 種密度及相應(yīng)的性能）。

為了進(jìn)一步增強(qiáng)數(shù)據(jù)集的多樣性，研究團(tuán)隊(duì)對(duì)每個(gè)數(shù)據(jù)點(diǎn)進(jìn)行了數(shù)據(jù)增強(qiáng)，通過將拓?fù)浣Y(jié)構(gòu)和性能以相同的隨機(jī)旋轉(zhuǎn)角度進(jìn)行旋轉(zhuǎn)，每個(gè)數(shù)據(jù)點(diǎn)旋轉(zhuǎn) 9 次，最終使數(shù)據(jù)集包含 15,000 個(gè)樣本，覆蓋低密度（ρ=0.1）到中密度（ρ=0.5）場(chǎng)景，拓?fù)浣Y(jié)構(gòu)滿足立方對(duì)稱性和周期性。

模型架構(gòu)：模態(tài)對(duì)齊模塊和協(xié)同擴(kuò)散生成模塊

UNIMATE 模型架構(gòu)旨在解決機(jī)械超材料設(shè)計(jì)中三維拓?fù)洌?D Topology）、密度條件（Density Condition）和力學(xué)性能（Mechanical Property）三大模態(tài)的統(tǒng)一建模問題，其核心由模態(tài)對(duì)齊模塊（Modality Alignment Module）和協(xié)同擴(kuò)散生成模塊（Synergetic Diffusion Generation Module）組成，如下圖所示，并通過訓(xùn)練與推理流程實(shí)現(xiàn)多任務(wù)協(xié)同處理。

模型架構(gòu)圖

模態(tài)對(duì)齊模塊：統(tǒng)一多模態(tài)潛在空間

該模塊的目標(biāo)是將 3 種異構(gòu)模態(tài)（拓?fù)浣Y(jié)構(gòu)、密度、力學(xué)性能）映射到共享的離散潛在空間（discrete latent space），通過三方最優(yōu)傳輸（Tripartite Optimal Transport, TOT）對(duì)齊模態(tài)分布，縮小模態(tài)間差異，解決數(shù)據(jù)復(fù)雜性挑戰(zhàn)。

具體來說，受 VQ-VAE 的啟發(fā)，該模塊首先將原始數(shù)據(jù)映射到離散的潛在空間。對(duì)于三維拓?fù)浣Y(jié)構(gòu)，使用圖卷積網(wǎng)絡(luò)（GCN）作為編碼器，將拓?fù)浣Y(jié)構(gòu)的節(jié)點(diǎn)坐標(biāo)和鄰接矩陣轉(zhuǎn)換為潛在嵌入；對(duì)于密度條件和機(jī)械性能，則分別使用多層感知機(jī)（MLP）作為編碼器。

然后，引入一個(gè)碼本（codebook）來 「舍入（round）」 潛在 token ，即找到碼本中最接近的原型 token ，并將潛在 token 替換為該原型 token 。這樣可以將 3 個(gè)不同的模態(tài)映射到一個(gè)由一系列 token 組成的共享離散空間。

為了對(duì)齊這 3 個(gè)模態(tài)，研究團(tuán)隊(duì)將最優(yōu)傳輸（OT）推廣到三方最優(yōu)傳輸（TOT），通過最小化三方 Wasserstein 距離（TWD）來優(yōu)化潛在 token 的分布，從而實(shí)現(xiàn) 3 個(gè)模態(tài)的對(duì)齊。對(duì)齊損失函數(shù)的設(shè)計(jì)綜合考慮了重建誤差、 token 舍入誤差和模態(tài)對(duì)齊誤差等因素。

協(xié)同擴(kuò)散生成模塊：靈活處理多任務(wù)

協(xié)同擴(kuò)散生成模塊基于分?jǐn)?shù)的擴(kuò)散模型（a score-based diffusion model），利用模態(tài)對(duì)齊后的 token 完成未知模態(tài)的生成，支持靈活的條件生成，應(yīng)對(duì)任務(wù)多樣性挑戰(zhàn)。

該模塊的輸入是「舍入」后的潛在機(jī)械超材料（LMTR），其中部分 token 被添加噪聲，并視為未知 token 。擴(kuò)散過程通過一系列去噪步驟來完成對(duì)未知 token 的生成，每個(gè)步驟都使用 Transformer 作為主干網(wǎng)絡(luò)。

為了保持給定的上下文 token 不變，Transformer 主干網(wǎng)絡(luò)執(zhí)行部分凍結(jié)的擴(kuò)散操作，即對(duì)于輸出中的已知 token ，用其初始值替換。這種部分凍結(jié)的處理方式使得模型能夠處理任意長(zhǎng)度的 token 序列，并且可以將任意子集的 token 設(shè)置為未知，已知 token 為其他 token 提供了上下文信息，尤其是在 Transformer 的注意力操作中。

生成損失函數(shù)定義為舍入后的 LMTR 與擴(kuò)散生成的 LMTR 之間的距離，通過最小化該損失函數(shù)來優(yōu)化生成過程。

訓(xùn)練階段交替執(zhí)行模態(tài)對(duì)齊與協(xié)同擴(kuò)散訓(xùn)練，首先通過編碼器和碼本將原始數(shù)據(jù)映射為潛在 token，利用 TOT 對(duì)齊模態(tài)；然后對(duì)隨機(jī)模態(tài)添加噪聲，通過擴(kuò)散模型進(jìn)行去噪訓(xùn)練，優(yōu)化整體損失。

推理階段給定部分模態(tài)數(shù)據(jù)（如密度和性能），通過對(duì)應(yīng)編碼器生成已知潛在 token，未知 token 通過傳輸計(jì)劃 TransPlan 初始化（高概率 token 優(yōu)先），再經(jīng)擴(kuò)散模型生成完整潛在 token 序列，最終由解碼器重構(gòu)為原始模態(tài)數(shù)據(jù)。

實(shí)驗(yàn)結(jié)論：三大任務(wù)性能全面提升

有效性分析

為了驗(yàn)證 UNIMATE 模型的有效性，研究團(tuán)隊(duì)進(jìn)行了全面的實(shí)驗(yàn)，在拓?fù)渖伞⑿阅茴A(yù)測(cè)和條件確認(rèn)三個(gè)任務(wù)上與多個(gè)基線模型進(jìn)行了對(duì)比。

在拓?fù)渖扇蝿?wù)中，UNIMATE 的 F_qua 和 F_cond 指標(biāo)分別達(dá)到 2.74×10?2 和 7.81×10?2，較次優(yōu)基線模型 SyMat 提升 80.2%。這意味著生成的拓?fù)浣Y(jié)構(gòu)在對(duì)稱性、周期性等關(guān)鍵幾何特征上更接近工程實(shí)用標(biāo)準(zhǔn)。

在性能預(yù)測(cè)任務(wù)中，UNIMATE 的 NRMSE_pp 為 2.44×10?2，比排名第二的模型高出 5.1%。

在條件確認(rèn)任務(wù)中，UNIMATE 的 NRMSE_cc 為 4.43×10?2，比次優(yōu)模型高出 50.2%。此外，UNIMATE 還能幫助工程師確定給定拓?fù)渑c性能要求下的最優(yōu)密度，能夠在保證性能的前提下，將結(jié)構(gòu)重量降低 30% 以上。

時(shí)間和空間效率

在時(shí)間效率方面，通過訓(xùn)練每個(gè)模型并記錄處理每個(gè)批次的平均時(shí)間。結(jié)果表明，每個(gè)模型的 batch 處理時(shí)間與 batch 大小大致呈線性關(guān)系，如下圖所示。UNIMATE 模型的斜率處于中等水平，表明其具有中等水平的時(shí)間效率。

時(shí)間效率對(duì)比

在空間效率方面，許多基線模型在較小的 batch 大小下會(huì)由于 GPU 內(nèi)存不足而觸發(fā)錯(cuò)誤，而 UNIMATE 模型即使在 batch 大小為 10,000 時(shí)也沒有觸發(fā)錯(cuò)誤，顯示出其遠(yuǎn)高于其他模型的空間效率。

參數(shù)敏感性

研究團(tuán)隊(duì)還研究了模型對(duì)潛在 token 維度 d 和碼本中 token 數(shù)量 n 的參數(shù)敏感性。實(shí)驗(yàn)結(jié)果如下圖所示，隨著潛在 token 維度的增大和碼本大小的增加，模型的性能通常會(huì)更好。

不同參數(shù)下的 F_qua  指標(biāo)

案例研究

為了展示 UNIMATE 模型的實(shí)際應(yīng)用，研究團(tuán)隊(duì)進(jìn)行了一個(gè)針對(duì)高剛度和低密度（HSLD）超材料的拓?fù)渖砂咐芯俊Ｔ谟?xùn)練模型時(shí)，從原始數(shù)據(jù)集中篩選出表現(xiàn)出更好 HSLD 特性的超材料數(shù)據(jù)，將密度條件限制在較低值（如 0.3），并將所需剛度調(diào)整在一定范圍內(nèi)（如 0.1 至 0.5）。

實(shí)驗(yàn)結(jié)果表明，UNIMATE 模型能夠生成隨著性能變化的拓?fù)溥^渡系列。在 HSLD 目標(biāo)任務(wù)中，模型建議使用八面體桁架拓?fù)洌╫ctet truss topology），這是一種已知的高剛度拓?fù)浜蜻x。此外，模型還能生成訓(xùn)練數(shù)據(jù)集中未包含的新穎中間拓?fù)洌?strong>這表明其具有在給定分布內(nèi)近似中間過渡的潛力，并能夠提出具有所需性能的新型超材料候選。

機(jī)器學(xué)習(xí)算法賦能，開啟機(jī)械超材料設(shè)計(jì)新征程

隨著機(jī)器學(xué)習(xí)的深度介入，機(jī)械超材料設(shè)計(jì)的固有范式正在被改寫。在學(xué)研領(lǐng)域，圍繞機(jī)械超材料的研究持續(xù)升溫，學(xué)者們通過挖掘材料結(jié)構(gòu)數(shù)據(jù)與性能參數(shù)的復(fù)雜關(guān)聯(lián)，結(jié)合神經(jīng)網(wǎng)絡(luò)的非線性擬合能力，正逐步解決高自由度超材料設(shè)計(jì)中計(jì)算量大、復(fù)雜性導(dǎo)致的觀測(cè)表征難、設(shè)計(jì)空間參數(shù)繁多等挑戰(zhàn)。

例如，美國(guó)賓夕法尼亞州立大學(xué)等團(tuán)隊(duì)提出將一種新穎的固定注意力機(jī)制引入深度學(xué)習(xí)框架，以解決超材料設(shè)計(jì)的計(jì)算難題。該超材料由兩根金納米棒嵌入電介質(zhì)基底構(gòu)成，通過 12 個(gè)參數(shù)描述其結(jié)構(gòu)。實(shí)驗(yàn)利用 Lumerical FDTD 仿真生成 6,493 組數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)。結(jié)果顯示，相比無注意力機(jī)制的網(wǎng)絡(luò)，該方法預(yù)測(cè)精度提升 48.09%，測(cè)試集均方誤差達(dá) 2.17×10?3，且計(jì)算速度大幅提高。此外，該框架還能應(yīng)用于等離子體超材料的逆向設(shè)計(jì)，顯著降低了計(jì)算成本，為高效實(shí)時(shí)優(yōu)化復(fù)雜納米結(jié)構(gòu)開辟了道路。

* 論文地址：

??https://arxiv.org/abs/2504.00203??

與此同時(shí)，大西洋國(guó)際大學(xué)團(tuán)隊(duì)提出了一種基于人工智能的新型超材料觀測(cè)裝置，將現(xiàn)代成像硬件與尖端機(jī)器學(xué)習(xí)算法相結(jié)合。與傳統(tǒng)的觀測(cè)技術(shù)相比，該系統(tǒng)在精度、速度以及探測(cè)迄今為止無法探測(cè)到的元素的能力方面均有顯著提升。結(jié)果表明，人工智能驅(qū)動(dòng)的方法不僅提高了定義已知超材料的能力，還開辟了尋找獨(dú)特特性和行為的新途徑，從而加速材料科學(xué)與工程領(lǐng)域的發(fā)明速度。相關(guān)研究已入選 International Journal of Futuristic Innovation in Engineering, Science and Technology (IJFIEST) 期刊。

* 論文地址：

??https://journal.inence.org/index.php/ijfiest/article/view/369??

此外，首爾國(guó)立大學(xué)等團(tuán)隊(duì)提出了一種三維機(jī)械超材料無參數(shù)設(shè)計(jì)策略，其基于點(diǎn)云的深度生成網(wǎng)絡(luò)，構(gòu)建了超材料結(jié)構(gòu)庫(kù)來訓(xùn)練機(jī)器學(xué)習(xí)模型。訓(xùn)練后的潛在空間形成具有相似特性的單元拓?fù)浯兀瑥亩鴮?shí)現(xiàn)高效的探索和平滑的插值。此外，與傳統(tǒng)方法相比，該方法可以更快地預(yù)測(cè)機(jī)械特性。該方法創(chuàng)建了具有目標(biāo)特性的超材料，不受參數(shù)化約束的限制。計(jì)算和實(shí)驗(yàn)驗(yàn)證證實(shí)，其與期望特性在可接受的誤差范圍內(nèi)一致。

* 論文地址：

??https://arxiv.org/abs/2411.19681??

可以預(yù)見，機(jī)器學(xué)習(xí)算法正推動(dòng)機(jī)械超材料的設(shè)計(jì)與應(yīng)用邁向新高度。隨著強(qiáng)化學(xué)習(xí)、生成對(duì)抗網(wǎng)絡(luò)等算法的持續(xù)迭代，機(jī)器學(xué)習(xí)有望為機(jī)械超材料領(lǐng)域帶來更多顛覆性突破，助力其在更多領(lǐng)域?qū)崿F(xiàn)廣泛應(yīng)用。

參考鏈接：
???https://mp.weixin.qq.com/s/-LTTHsvIz-x9p0zjT6I1kg???
???https://arxiv.org/abs/2411.19681???
???https://arxiv.org/abs/2504.00203??