《Advanced Intelligent Systems》：Cellular Material Network: A General Machine Learning Architecture for Predicting Mechanical Properties of Cellular Materials
编辑推荐：
具有多孔和轻质结构的多孔材料因其优异的力学可调性和广泛的应用而受到关注。尽管设计策略取得了进展，但传统模拟仍计算密集，推动了高效优化方法的发展。本研究引入多孔材料网络（CM-Net），一种物理信息机器学习架构，用于预测多孔材料的力学性能。通过将基本几何单元视为
具有多孔和轻质结构的多孔材料因其优异的力学可调性和广泛的应用而受到关注。尽管设计策略取得了进展，但传统模拟仍计算密集，推动了高效优化方法的发展。本研究引入多孔材料网络（CM-Net），一种物理信息机器学习架构，用于预测多孔材料的力学性能。通过将基本几何单元视为类似于自然语言处理（NLP）中的令牌（token），CM-Net实现了跨不同结构和成分的高效前向预测和泛化。经模拟和实验验证，CM-Net准确预测了非线性行为，包括初始峰值压缩力（IPCF）、平均压缩力（MCF）和能量吸收（EA）。该模型在分布外场景（如不同壁厚和由短直段组成的新颖拓扑结构）中保持较低相对误差。然而，对于具有长曲边的几何形状，由于训练中变形机制表示不足，外推精度下降。CM-Net还预测了复合和梯度结构的行为，以及非线性力-位移曲线。研究人员进一步展示了复杂不规则多孔材料以满足特定要求的逆向设计，证明了CM-Net作为设计辅助工具的实用性，实验验证确认了其实际应用性。其可扩展性和可泛化性使CM-Net成为加速轻质、高性能多孔材料开发的变革性工具。
**论文解读：多孔材料网络（CM-Net）——一种通用机器学习架构用于预测多孔材料力学性能**
**研究背景、问题与动机**
多孔材料（cellular materials）由固体基体（如金属、聚合物或陶瓷）构成重复性多孔结构，具有轻质、高力学可调性等优点，广泛应用于航空航天、汽车、建筑及生物医学领域。其力学性能（如泊松比、刚度、强度、能量吸收等）可通过调整几何参数（如胞元尺寸、壁厚、拓扑结构）进行精确调控。然而，传统设计依赖于仿真与实验的反复迭代，计算成本高、耗时长，尤其在处理非线性大变形（如塑性、屈曲、摩擦接触）时更加突出。尽管机器学习（ML）方法已被用于前向预测和逆向设计，但现有模型（如随机森林、多层感知机、卷积神经网络、图神经网络）常受限于特定设计空间或结构表示方式，缺乏通用性，难以处理不同维度、拓扑及材料组成的多孔材料。因此，亟需一种可泛化的机器学习架构，能够高效预测多孔材料在复杂非线性条件下的力学性能，并支持逆向设计。
**研究内容与结论**
研究人员提出了多孔材料网络（CM-Net），一种融合物理信息的机器学习框架，用于预测多孔材料的力学性能。CM-Net受自然语言处理（NLP）中令牌（token）表征的启发，将基本几何单元（如面板、支柱）视为令牌，通过邻接矩阵编码连接关系，利用方向不变性和顺序不变性处理任意数量的几何单元。该模型整合了超折叠单元理论等物理原理，构建了物理信息层，增强了外推能力。通过有限元模拟（FEM）生成30,563个设计-性能配对数据集（涵盖薄壁结构（TWSs）的多种拓扑、壁厚、材料），训练CM-Net预测初始峰值压缩力（IPCF）、平均压缩力（MCF）和能量吸收（EA）。实验验证表明，CM-Net在内插（训练域内）和外推（训练域外）任务中均表现优异，尤其对IPCF的平均相对误差仅为2.92%。对于外推场景（如增大壁厚、新颖拓扑、多材料复合结构），CM-Net仍保持较低误差，但对长曲边结构的外推精度下降，需通过数据增强改进。此外，CM-Net可预测力-位移曲线，并成功应用于Voronoi无序多孔结构的逆向设计，结合遗传算法实现特定EA目标（如最大化比能量吸收（SEA），约束IPCF和MCF低于15 kN）。该工作发表在《Advanced Intelligent Systems》上，具有重要意义：CM-Net作为通用工具，可大幅降低设计成本，加速轻质高性能多孔材料的开发，其模块化架构便于扩展至其他结构类型（如泡沫、点阵）和材料（如聚合物、复合材料）。
**关键技术方法**
研究人员采用以下关键技术方法：
1. **数据集生成**：使用B样条曲线（B-spline curves）和多段线（polylines）生成薄壁结构（TWSs）的多样化拓扑（包括方管、六角管、六角蜂窝等），壁厚随机化（0.2–1.0 mm），通过有限元模拟（FEM，LS-DYNA软件）模拟准静态压缩，获取力-位移曲线并计算IPCF、MCF、EA。材料模型采用分段线性塑性模型（MAT 24）模拟铝合金（AA1060-H112、AA6061-O、AA6063-T5、AA6061-T4）。
2. **物理信息整合**：基于超折叠单元理论（super folding element theory）和全局屈曲理论，推导统一理论模型预测MCF，将其作为物理信息层嵌入CM-Net，增强外推能力。
3. **CM-Net架构**：由组件处理模块、信息聚合模块（含邻接矩阵和多头自注意力机制）和力学性能预测模块（含多个子网络）组成。输入为基本几何单元（坐标、壁厚、夹角、材料参数）和邻接矩阵，通过共享神经网络处理，实现方向不变性和顺序不变性。
4. **训练与优化**：采用TensorFlow框架，训练约400万参数（轻量版18.6万），在Nvidia GeForce RTX 4060 Ti GPU上耗时约1.2小时。逆向设计使用遗传算法（GA），以Voronoi种子坐标和壁厚为基因，结合可制造性约束（最小边长2 mm）和对称性约束。
**研究结果**
- **3.1 CM-Net的内插和外推能力**
- **内插性能**：在训练域内1600个未见测试样本上，CM-Net对IPCF的平均相对误差仅2.92%，对MCF和EA分别为11.72%和10.80%。预测值与高保真FEM结果高度一致，尤其对B样条六角蜂窝（BHHs）表现最佳，因其内面板强边界约束导致变形相对稳定。
- **外推性能**：测试样本包括壁厚超出训练域（1.0–2.0 mm）、基本长度加倍（2L）、新颖拓扑（如多段线六角管PHTs、顶点分层多胞方管）及未训练材料（AA6061-T4）。CM-Net对IPCF预测仍最准确，但对长曲边结构（如B样条方管BSTs、B样条六角管BHTs）外推误差增大（平均相对误差IPCF 38.03%、MCF 33.10%、EA 35.60%），而多段线结构（如PSTs）误差较低（IPCF 6.67%、MCF 8.72%、EA 8.17%），因为曲边被视为单一单元而直边被分解为训练中见过的子段。与基准模型（MLP、GNN、CNN、GraphMetaMat）比较，CM-Net在内插和外推任务中均取得最低预测误差。
- **3.2 CM-Net的扩展能力**
- **复合结构预测**：CM-Net可准确预测由不同材料组合和壁厚分布构成的顶点分层多胞方管，最大预测误差10.28%，同时处理多材料与变壁厚时表现稳健。
- **力-位移曲线预测**：通过子网络结合离散傅里叶变换（DFT）提取频域特征，CM-Net成功预测薄壁结构在压缩过程中的力-位移曲线，内插和外推测试集中分别有93.6%和83.5%的样本归一化平均绝对误差（NMAE）低于15%，且能捕捉渐进折叠、全局屈曲及混合变形模式的整体趋势，预测应变高达78.6%。
- **4 CM-Net在工程设计中的应用**
- 针对Voronoi无序多孔结构（含方形、C形、U形、H形、K形边界），使用330个样本微调CM-Net，结合遗传算法进行逆向设计，目标为最大化SEA并约束IPCF和MCF≤15 kN。微调后损失从6.5%降至1.2%。生成的优化结构与FEM结果高度一致（相对误差0.16%–6.73%），但FEM本身高估致密化位移，导致CM-Net与实验的致密化位移误差为4.50%–29.41%，因此CM-Net更适合快速设计迭代和相对排序，而非替代实验验证。
**讨论与结论**
**讨论总结**：CM-Net的核心创新在于将基本几何单元处理为令牌，结合邻接矩阵和全局自注意力机制，克服了以往模型（如CNN、GNN）的维度和拓扑限制。物理信息层（基于超折叠单元理论）显著增强了外推能力。模型轻量化（仅186k参数）使计算成本比FEM降低数个数量级，支持快速逆向优化。当前实现限于薄壁结构和金属材料，但模块化设计可扩展至泡沫、点阵及聚合物、复合材料等，通过额外训练数据和物理信息层调整即可。未来方向包括：集成混合专家框架（MOE）构建大规模模型、扩展至动态加载或多尺度模拟、融合生成模型（如GANs、VAEs）实现自动生成目标性能的多孔材料。
**研究结论翻译**：多孔材料因其优异的力学可调性和轻质设计而受到重视。然而，由于几何构型、材料行为和接触力学之间的非线性与高度复杂相互作用，开发通用预测模型面临重大挑战。传统机器学习模型常局限于有限设计空间和简单属性预测，难以捕捉能量吸收（EA）过程中屈曲、塑性变形和摩擦接触引起的复杂非线性响应。研究人员提出的CM-Net通过将物理原理整合到可泛化的机器学习框架中，解决了这些局限，实现了跨不同结构构型和材料成分的高效前向预测和稳健外推。CM-Net的核心创新在于其受NLP架构启发的令牌式处理基本几何单元，能够像解析文本一样处理多孔材料，编码结构元素为方向不变、顺序不变的几何单元，克服了以往模型的约束。物理信息层的整合增强了外推能力，确保预测与物理机制一致。经严格仿真和实验验证，CM-Net在内插和外推任务中均表现优越，例如对内插IPCF的相对误差仅2.92%，对MCF和EA也有出色精度。此外，CM-Net的轻量化架构可将计算成本比FEM降低数个数量级，支持快速设计迭代和逆向优化。尽管当前实现限于薄壁结构和金属材料，其模块化设计允许轻松扩展至其他结构类型和材料。未来方向包括集成混合专家框架、扩展到动态加载或多尺度模拟，以及融合生成模型，这些进步凸显了CM-Net作为下一代多孔材料设计与优化通用工具的变革潜力。
