盖世汽车讯 运动鞋鞋底夹层和汽车保险杠等超材料设计旨在承载负载或抵抗冲击，但相关的设计过程容易出错，无法实现预期目标。据外媒报道，加州大学伯克利分校工程学院开发出创新设计方法，利用人工智能和增材制造来确保这些专用材料具有最佳功能和目标行为。

研究人员利用机器学习来反向设计材料和工程产品中复杂的机械行为，并可通过桌面3D打印机将其打印出来。这种基于人工智能的新设计方法有望提高材料性能，大大简化制造过程，并开发具有新机械性能的材料。材料科学与工程学副教授、首席研究员Xiaoyu “Rayne” Zheng表示:“这种基于机器学习的设计方法能够快速创建具有用户定义性能和目标属性的材料，使所有用户都有可能定义其目标产品的机械行为。其余的工作可以留给人工智能和3D打印机，以提供完全符合期望的产品。”

头盔、拳击手套和汽车保险杠等产品均采用应力-应变或力-位移曲线设计，因此能够抵抗外力和其他冲击。这些曲线记录了材料在承受载荷时的完整变形过程，并提供与其机械性能有关的所有信息。但是，目前的设计方法仅涵盖有限的机械性能选项，而且由于制造过程存在不确定性和误差，在测量值中很少能看到所需的性能。

面对这一挑战，研究人员着手开发基于人工智能的材料设计方法。这种方法不仅需要绕过迭代设计制造过程，还要能提供具有精确机械行为的产品。Zheng表示:“通过这种方法，用户可以输入曲线中描述的预期机械行为，然后将这些数据输入机器学习代码以生成设计，这个过程只需要几秒钟。一旦该设计被3D打印出来，就会复制所需的机械行为。现在，这种基于机器学习的设计方法仍处于早期阶段，但可以实现几乎任何类型的材料行为，准确率接近90%。”

为了创建基于人工智能的设计方法，研究人员首先要开发和实施集成机器学习框架。该框架由反向预测模块和正向验证模块组成。该研究的共同主要作者Chansoo Ha表示:“反向模块根据预期机械行为来设计材料的微观结构，然后所设计的材料被传递到正向模块以评估其机械行为。这有助于确保将所需的特性准确地反映在成品中。”

接下来，研究人员开发了一系列立方对称、基于支柱的单元来训练机器学习模型。这些单元的晶格结构几乎有望实现所有机械行为和相应的应力-应变曲线。研究人员接着3D打印这些单元，并对其进行测试以生成训练数据集。

该团队展示了利用机器学习来设计结构的潜力。这些结构能够吸收大量碰撞能量，并充分减少传递到人体的冲击量。据介绍，这种设计和制造方法还有望用于制造防护装备、隔音材料和更复杂的材料(如光学薄膜涂层)，以及具有带隙或形状记忆效应的材料。采用这种方法，最终有望创造出具有新颖特性的材料。

Zheng表示:“这种人工智能设计方法可以实现前所未有的机械行为，例如承载应力-应变曲线的材料，包含先进的特征、曲率和定制能量吸收形状。这一发现为产品和材料设计提供了新的范例，让大家不再局限于自然界中发现的材料。”