具有可编程非线性功能响应的变形材料的逆设计

为了适应深空环境，灵活的物理化学性质的材料至关重要。

提出了一种基于计算机图形表示的方法，使用自动微分调整材料的几何结构和属性。

研究分为数据获取、基于机器学习的单元格设计和数据驱动的多尺度优化三个模块，分析了各模块的优势和适用性。

神经介质网络（NMN）用于编码介质材料的非线性力学特性，并将逆材料设计视为非线性规划问题。

深度神经网络算子（DeepONet）学习超材料微结构与力学响应之间的关系，支持在数据稀缺情况下的反向设计。

随机森林方法RIGID用于快速生成变形材料设计，展示了在少量数据情况下的效率和有效性。

介绍了一种快速反向设计方法，利用深度生成人工智能算法生成机械超材料，具有灵活和自适应的能力。

通过图神经网络模型预测周期性结构的刚度特征，提高了预测性能并减少了训练需求。

利用机器学习方法定义手性超材料的设计空间，并通过贝叶斯优化找到最佳结构，证明了机器学习在新领域的有效性。