建筑材料具有广泛的适用性和巨大的潜力，但设计方面十分困难。传统方法通常有数值模拟、理论分析和拓扑优化（TO），这些方法通常费时费力，最终设计的表现在很大程度上取决于设计师的专业知识和他们的初步猜测。新兴发展的机器学习（ML） 可以规避这个问题，并在没有任何先验知识要求的情况下找到最佳解决方案。此外，将机器学习与模拟或实验相结合以解决问题，是科学前沿的一个新兴课题。
清华大学机械系温鹏副教授团队近日提出了一种基于生成式设计-多目标主动学习循环（GAD-MALL）算法的超材料设计方法，成功用于3D打印多孔金属骨植入物的结构设计和性能优化，为突破超材料设计时面临的高维度、少样本难题提供了通用的可行途径。这种方法由三个主要部分组成：（1）衍生式架构设计（GAD）。GAD 利用编码器-解码器神经网络（自动编码器）生成具有未知属性的架构集。自动编码器以无监督的方式学习高维数据的有效表示，从而将高维设计空间中的探索转换为低维设计空间。这种方法已被证明是材料发现的革命性技术；（2）多目标主动学习循环（MALL）。MALL通过递归查询有限元法（FEM）对生成的数据集进行评估，并搜索高性能架构；（3）3D打印与测试。通过专门的3D打印技术（激光粉末床熔融）制造了ML设计的建筑材料，并通过实验验证了相应的机械性能，并将整体方法称为“GAD-MALL”。此研究将GAD-MALL方法应用于具有临床重要性的多属性优化问题-多孔骨植入物。因此，这种方法为具有定制机械、物理和化学特性的建筑材料的快速智能设计提供了一种高效的范式。
相关研究成果以题“Machine learning-enabled constrained multi-objective design of architected materials”发表在Nature Communications 期刊上。
建筑材料具有广泛的适用性和巨大的潜力，但在设计方面面临相当大的困难。传统方法通常涉及数值模拟、理论分析和拓扑优化（TO），这些方法通常耗时耗力，最终设计的性能在很大程度上取决于设计师的专业知识和初步猜测。新兴的机器学习（ML）技术能够规避这个问题，无需任何先验知识，就可以找到最佳解决方案。此外，将机器学习与模拟或实验相结合以解决问题，是科学前沿的一个新兴课题。
最近，清华大学机械系温鹏副教授的团队提出了一种名为生成式设计-多目标主动学习循环（GAD-MALL）算法的超材料设计方法，成功应用于3D打印多孔金属骨植入物的结构设计和性能优化。这一方法为克服超材料设计时的高维度和样本不足等挑战提供了通用的解决途径。该方法包括三个主要部分：
衍生式架构设计（GAD）：GAD利用编码器-解码器神经网络（自动编码器）生成具有未知属性的架构集。自动编码器以无监督的方式学习高维数据的有效表示，从而将高维设计空间中的探索转换为低维设计空间。这一方法已被证明是材料发现的革命性技术。
多目标主动学习循环（MALL）：MALL通过递归查询有限元法（FEM）对生成的数据集进行评估，并搜索高性能架构。
3D打印与测试：通过专门的3D打印技术（激光粉末床熔融），制造了ML设计的建筑材料，并通过实验验证了相应的机械性能。将整体方法称为“GAD-MALL”。
研究团队将GAD-MALL方法应用于临床重要性的多属性优化问题，具体是多孔骨植入物的设计。因此，这一方法为实现具有定制机械、物理和化学特性的建筑材料的智能设计提供了高效的范例。
相关研究成果以标题“Machine learning-enabled constrained multi-objective design of architected materials”发表在Nature Communications期刊上。
图1.生成式设计-多目标主动学习循环（GAD-MALL）工作流程
图2.在目标范围内没有先验数据的学习。
图3.数据生成和仿真校准。
图4.GAD-MALL设计和3D打印的可降解金属多孔植入物及其力学性能。
