镁因其生物相容性、适宜的杨氏模量以及在生理条件下能够溶解的特性而极具应用前景[[1], [2], [3], [4]]。这些特性可以减少应力屏蔽效应，无需再进行二次手术去除材料[5]，同时还能通过传递机械刺激促进骨骼愈合[6,7]。不过，镁合金往往会出现快速且不均匀的降解现象[8,9]，由此产生的氢气释放和局部碱化会导致材料过早失去机械支撑，进而引发临床并发症[10,11]。为了解决这些问题，人们通常将镁合金与聚乳酸（PLA）等可生物降解聚合物结合，形成金属-聚合物复合材料[[12], [13], [14]]。Mg丝/PLA复合材料以Mg丝作为增强材料，PLA作为基体，通过调整Mg丝的体积分数和空间分布，可以调控这类复合材料的刚度、强度以及降解速率[[15], [16], [17]]。
在以往研究骨板初始杨氏模量对骨骼再生影响的模拟实验中，发现初始杨氏模量为20 - 40 GPa时最有利于骨骼愈合[[18], [19], [20]]。而体积分数为50%的Mg丝/PLA复合材料的初始模量仅为13.27 GPa，低于这一最佳范围[17]。这一差异表明，目前的Mg丝/PLA设计尚未具备足够的初始刚度，还需要进一步优化。在愈合的中期阶段，适度的机械刺激有助于促进骨骼再生，因此，随着材料降解，骨板的刚度应逐渐降低[21]。但如果降解速度过快，Mg丝/PLA骨板会在骨骼重塑之前就失去机械支撑[22]。因此，设计上的挑战在于既要确保材料具有足够的初始刚度以实现固定功能，又要能够控制刚度的逐步下降，从而使载荷逐渐传递到正在愈合的骨骼上[23]。
关于Mg丝/PLA复合材料降解的实验研究[17,24]以及有限元分析[25,26]表明，这类复合材料在模拟的生理环境下的降解行为十分复杂。虽然Mg丝和PLA分别会发生点蚀腐蚀和水解反应，但它们的降解产物之间也会发生相互作用[9,[27], [28], [29]]。降解行为会受到Mg丝的体积分数、丝与丝之间的间距、聚集情况以及与边界距离的影响。基于降解和损伤力学的有限元模型已被用于模拟镁及镁/聚合物复合材料的降解过程[30]，这类模型能够捕捉空间上不均匀的腐蚀现象，并预测整体机械性能的变化。然而，当需要评估多种不同的Mg丝体积分数、间距以及骨板几何结构组合时，这类模型的计算成本相当高，而且每次新的设计往往都需要进行额外的模拟或重新校准[31]。因此，需要一种更高效的预测模型，以便从详细的模拟和实验数据中学习，快速评估新的Mg丝/PLA结构组合。
深度学习模型在预测结构劣化[32,33]、材料降解[34,35]以及复杂系统中的损伤演化[36,37]方面展现了极高的效率和准确性。Qi等人[38]采用了时空多尺度深度学习模型来预测镁合金在生理条件下的降解情况。Ma等人[39]则将相场模拟与机器学习相结合，用于快速评估涂层镁合金的腐蚀行为。此外，还有多项研究利用深度学习[40]或机器学习[41,42]预测PLA的水解现象，其预测结果与实验数据高度吻合。这些研究证实，深度学习在模拟单一材料系统的降解过程方面具有可靠性。对于复杂的复合材料，那些专为结构特征或图像特征提取而设计的深度学习模型，也能够捕捉复杂几何结构中各点、各线之间的关系[43,44]。这一能力非常适合将Mg丝视为网络结构，进而分析Mg丝的分布如何影响Mg丝/PLA复合材料的降解过程。
为了提升Mg丝/PLA复合材料的性能，研究人员开发了一种深度学习模型，用于快速且准确地预测PLA基体中Mg丝分布对材料降解的影响。首先，建立了Mg丝/PLA复合材料的有限元降解模型，该模型考虑了Mg丝的点蚀腐蚀和PLA的水解现象，并通过在与磷酸盐缓冲盐水（PBS）溶液中的降解实验结果进行对比校准，确保模拟结果能够为模型训练提供可靠的数据。利用这些模拟结果，进一步训练了图神经网络-长短期记忆（GNN–LSTM）模型，使其学会Mg丝分布与复合材料降解之间的关系。最后，利用训练好的模型来量化Mg丝之间间距的影响，确定能够在保持初始机械性能的同时控制降解速率的Mg丝布局，从而优化用于胫骨愈合应用的Mg丝/PLA复合骨板的降解速率，大幅提升其在临床应用中的可行性。
