超材料設(shè)計破局！Meta AI等提出UNIMATE，首次實現(xiàn)拓撲生成/性能預(yù)測等任務(wù)的統(tǒng)一建模 原創(chuàng)
超材料是一類由人工設(shè)計的亞波長結(jié)構(gòu)組成的材料，能夠突破天然材料的固有限制，實現(xiàn)對電磁波的精確調(diào)控，如負折射率、超透鏡、隱身技術(shù)等。其中，機械超材料作為一類擁有特殊力學性能的人造材料，在航空航天、生物醫(yī)藥、能源存儲等多個領(lǐng)域展現(xiàn)出巨大的應(yīng)用潛力。其獨特之處在于性能并非由材料的化學成分決定，而是通過精心設(shè)計的微觀結(jié)構(gòu)來實現(xiàn)。例如，具有負泊松比的超材料在拉伸時會橫向膨脹，這種特性使其在柔性器件中具有重要應(yīng)用價值；而具有高能量吸收行為的超材料則適用于緩沖裝置。
在材料科學與人工智能交叉領(lǐng)域，超材料的設(shè)計與優(yōu)化一直是備受關(guān)注的研究方向。在機械超材料的設(shè)計過程中，通常涉及三個關(guān)鍵模態(tài)：3D 拓撲結(jié)構(gòu)、密度條件和力學性能。這三個模態(tài)之間存在著密切的關(guān)聯(lián)，已知其中任意兩個模態(tài)，就可以推導(dǎo)出第三個模態(tài)。然而，研究團隊通過全面回顧現(xiàn)有文獻發(fā)現(xiàn)，大多數(shù)已有研究僅考慮其中兩個模態(tài)。例如，給定 3D 拓撲結(jié)構(gòu)預(yù)測力學性能，或者根據(jù)所需性能生成 3D 拓撲結(jié)構(gòu)。這種局限性使得現(xiàn)有的機器學習模型在處理復(fù)雜的實際應(yīng)用場景時面臨挑戰(zhàn)，難以全面捕捉三個模態(tài)之間的完整關(guān)系。
為了填補這一研究空白，來自美國弗吉尼亞理工學院和 Meta AI 的研究團隊提出了一種名為 UNIMATE 的統(tǒng)一模型，首次構(gòu)建了能夠同時處理超材料設(shè)計三大模態(tài)的統(tǒng)一框架，通過模態(tài)對齊與協(xié)同擴散生成的創(chuàng)新架構(gòu)，實現(xiàn)了拓撲生成、性能預(yù)測和條件確認三大任務(wù)的協(xié)同優(yōu)化。該研究不僅填補了多任務(wù)超材料設(shè)計的技術(shù)空白，更為智能材料發(fā)現(xiàn)提供了通用方法論。
研究成果以「UNIMATE: A Unified Model for Mechanical Metamaterial Generation, Property Prediction, and Condition Confirmation」為題，入選 ICML 2025。
研究亮點：
* 跨任務(wù)泛化性：單一模型同時解決三大任務(wù)，突破傳統(tǒng)模型的任務(wù)局限性；
* 模態(tài)對齊有效性：通過 TOT 和碼本量化，顯著縮小異構(gòu)數(shù)據(jù)的分布差異；
* 工程實用性：高效的內(nèi)存管理和參數(shù)敏感性，適用于實際材料設(shè)計場景。
論文地址：
UniMate 機械超材料基準數(shù)據(jù)集：
數(shù)據(jù)集：首個涵蓋多任務(wù)的機械超材料基準數(shù)據(jù)集
針對現(xiàn)有數(shù)據(jù)缺乏多模態(tài)覆蓋的問題，UNIMATE 團隊基于 Lumpe & Stankovic（2021）的拓撲結(jié)構(gòu)，構(gòu)建首個包含了三維拓撲、密度條件和力學性能的統(tǒng)一數(shù)據(jù)集，從 17,087 個原始拓撲中篩選 500 個節(jié)點數(shù)不超過 20 的拓撲結(jié)構(gòu)。
對于每個拓撲結(jié)構(gòu)，研究團隊隨機分配 3 種不同的邊緣半徑，并且為每個拓撲結(jié)構(gòu)生成了 3 種不同的密度條件（通過邊緣半徑與等效邊長公式關(guān)聯(lián)）。
對于每個拓撲 - 密度對，研究團隊將 3D 結(jié)構(gòu)劃分為小的立方體素，然后應(yīng)用均勻化模擬來計算結(jié)構(gòu)的均勻化力學性能，包括楊氏模量、剪切模量和泊松比等。最終得到 1,500 個數(shù)據(jù)點（500 個拓撲結(jié)構(gòu)，每個拓撲結(jié)構(gòu)對應(yīng) 3 種密度及相應(yīng)的性能）。
為了進一步增強數(shù)據(jù)集的多樣性，研究團隊對每個數(shù)據(jù)點進行了數(shù)據(jù)增強，通過將拓撲結(jié)構(gòu)和性能以相同的隨機旋轉(zhuǎn)角度進行旋轉(zhuǎn)，每個數(shù)據(jù)點旋轉(zhuǎn) 9 次，最終使數(shù)據(jù)集包含 15,000 個樣本，覆蓋低密度（ρ=0.1）到中密度（ρ=0.5）場景，拓撲結(jié)構(gòu)滿足立方對稱性和周期性。
模型架構(gòu)：模態(tài)對齊模塊和協(xié)同擴散生成模塊
UNIMATE 模型架構(gòu)旨在解決機械超材料設(shè)計中三維拓撲（3D Topology）、密度條件（Density Condition）和力學性能（Mechanical Property）三大模態(tài)的統(tǒng)一建模問題，其核心由模態(tài)對齊模塊（Modality Alignment Module）和協(xié)同擴散生成模塊（Synergetic Diffusion Generation Module）組成，如下圖所示，并通過訓(xùn)練與推理流程實現(xiàn)多任務(wù)協(xié)同處理。
模型架構(gòu)圖
模態(tài)對齊模塊：統(tǒng)一多模態(tài)潛在空間
該模塊的目標是將 3 種異構(gòu)模態(tài)（拓撲結(jié)構(gòu)、密度、力學性能）映射到共享的離散潛在空間（discrete latent space），通過三方最優(yōu)傳輸（Tripartite Optimal Transport, TOT）對齊模態(tài)分布，縮小模態(tài)間差異，解決數(shù)據(jù)復(fù)雜性挑戰(zhàn)。
具體來說，受 VQ-VAE 的啟發(fā)，該模塊首先將原始數(shù)據(jù)映射到離散的潛在空間。對于三維拓撲結(jié)構(gòu)，使用圖卷積網(wǎng)絡(luò)（GCN）作為編碼器，將拓撲結(jié)構(gòu)的節(jié)點坐標和鄰接矩陣轉(zhuǎn)換為潛在嵌入；對于密度條件和機械性能，則分別使用多層感知機（MLP）作為編碼器。
然后，引入一個碼本（codebook）來 「舍入（round）」 潛在 token ，即找到碼本中最接近的原型 token ，并將潛在 token 替換為該原型 token 。這樣可以將 3 個不同的模態(tài)映射到一個由一系列 token 組成的共享離散空間。
為了對齊這 3 個模態(tài)，研究團隊將最優(yōu)傳輸（OT）推廣到三方最優(yōu)傳輸（TOT），通過最小化三方 Wasserstein 距離（TWD）來優(yōu)化潛在 token 的分布，從而實現(xiàn) 3 個模態(tài)的對齊。對齊損失函數(shù)的設(shè)計綜合考慮了重建誤差、 token 舍入誤差和模態(tài)對齊誤差等因素。
協(xié)同擴散生成模塊：靈活處理多任務(wù)
協(xié)同擴散生成模塊基于分數(shù)的擴散模型（a score-based diffusion model），利用模態(tài)對齊后的 token 完成未知模態(tài)的生成，支持靈活的條件生成，應(yīng)對任務(wù)多樣性挑戰(zhàn)。
該模塊的輸入是「舍入」后的潛在機械超材料（LMTR），其中部分 token 被添加噪聲，并視為未知 token 。擴散過程通過一系列去噪步驟來完成對未知 token 的生成，每個步驟都使用 Transformer 作為主干網(wǎng)絡(luò)。
為了保持給定的上下文 token 不變，Transformer 主干網(wǎng)絡(luò)執(zhí)行部分凍結(jié)的擴散操作，即對于輸出中的已知 token ，用其初始值替換。這種部分凍結(jié)的處理方式使得模型能夠處理任意長度的 token 序列，并且可以將任意子集的 token 設(shè)置為未知，已知 token 為其他 token 提供了上下文信息，尤其是在 Transformer 的注意力操作中。
生成損失函數(shù)定義為舍入后的 LMTR 與擴散生成的 LMTR 之間的距離，通過最小化該損失函數(shù)來優(yōu)化生成過程。
訓(xùn)練階段交替執(zhí)行模態(tài)對齊與協(xié)同擴散訓(xùn)練，首先通過編碼器和碼本將原始數(shù)據(jù)映射為潛在 token，利用 TOT 對齊模態(tài)；然后對隨機模態(tài)添加噪聲，通過擴散模型進行去噪訓(xùn)練，優(yōu)化整體損失。
推理階段給定部分模態(tài)數(shù)據(jù)（如密度和性能），通過對應(yīng)編碼器生成已知潛在 token，未知 token 通過傳輸計劃 TransPlan 初始化（高概率 token 優(yōu)先），再經(jīng)擴散模型生成完整潛在 token 序列，最終由解碼器重構(gòu)為原始模態(tài)數(shù)據(jù)。
實驗結(jié)論：三大任務(wù)性能全面提升
有效性分析
為了驗證 UNIMATE 模型的有效性，研究團隊進行了全面的實驗，在拓撲生成、性能預(yù)測和條件確認三個任務(wù)上與多個基線模型進行了對比。
在拓撲生成任務(wù)中，UNIMATE 的 Fqua 和 Fcond 指標分別達到 2.74×10?2 和 7.81×10?2，較次優(yōu)基線模型 SyMat 提升 80.2%。這意味著生成的拓撲結(jié)構(gòu)在對稱性、周期性等關(guān)鍵幾何特征上更接近工程實用標準。
在性能預(yù)測任務(wù)中，UNIMATE 的 NRMSEpp 為 2.44×10?2，比排名第二的模型高出 5.1%。
在條件確認任務(wù)中，UNIMATE 的 NRMSEcc 為 4.43×10?2，比次優(yōu)模型高出 50.2%。此外，UNIMATE 還能幫助工程師確定給定拓撲與性能要求下的最優(yōu)密度，能夠在保證性能的前提下，將結(jié)構(gòu)重量降低 30% 以上。
時間和空間效率
在時間效率方面，通過訓(xùn)練每個模型并記錄處理每個批次的平均時間。結(jié)果表明，每個模型的 batch 處理時間與 batch 大小大致呈線性關(guān)系，如下圖所示。UNIMATE 模型的斜率處于中等水平，表明其具有中等水平的時間效率。
時間效率對比
在空間效率方面，許多基線模型在較小的 batch 大小下會由于 GPU 內(nèi)存不足而觸發(fā)錯誤，而 UNIMATE 模型即使在 batch 大小為 10,000 時也沒有觸發(fā)錯誤，顯示出其遠高于其他模型的空間效率。
參數(shù)敏感性
研究團隊還研究了模型對潛在 token 維度 d 和碼本中 token 數(shù)量 n 的參數(shù)敏感性。實驗結(jié)果如下圖所示，隨著潛在 token 維度的增大和碼本大小的增加，模型的性能通常會更好。
不同參數(shù)下的 Fqua 指標
案例研究
為了展示 UNIMATE 模型的實際應(yīng)用，研究團隊進行了一個針對高剛度和低密度（HSLD）超材料的拓撲生成案例研究。在訓(xùn)練模型時，從原始數(shù)據(jù)集中篩選出表現(xiàn)出更好 HSLD 特性的超材料數(shù)據(jù)，將密度條件限制在較低值（如 0.3），并將所需剛度調(diào)整在一定范圍內(nèi)（如 0.1 至 0.5）。
實驗結(jié)果表明，UNIMATE 模型能夠生成隨著性能變化的拓撲過渡系列。在 HSLD 目標任務(wù)中，模型建議使用八面體桁架拓撲（octet truss topology），這是一種已知的高剛度拓撲候選。此外，模型還能生成訓(xùn)練數(shù)據(jù)集中未包含的新穎中間拓撲，這表明其具有在給定分布內(nèi)近似中間過渡的潛力，并能夠提出具有所需性能的新型超材料候選。
機器學習算法賦能，開啟機械超材料設(shè)計新征程
隨著機器學習的深度介入，機械超材料設(shè)計的固有范式正在被改寫。在學研領(lǐng)域，圍繞機械超材料的研究持續(xù)升溫，學者們通過挖掘材料結(jié)構(gòu)數(shù)據(jù)與性能參數(shù)的復(fù)雜關(guān)聯(lián)，結(jié)合神經(jīng)網(wǎng)絡(luò)的非線性擬合能力，正逐步解決高自由度超材料設(shè)計中計算量大、復(fù)雜性導(dǎo)致的觀測表征難、設(shè)計空間參數(shù)繁多等挑戰(zhàn)。
例如，美國賓夕法尼亞州立大學等團隊提出將一種新穎的固定注意力機制引入深度學習框架，以解決超材料設(shè)計的計算難題。該超材料由兩根金納米棒嵌入電介質(zhì)基底構(gòu)成，通過 12 個參數(shù)描述其結(jié)構(gòu)。實驗利用 Lumerical FDTD 仿真生成 6,493 組數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)。結(jié)果顯示，相比無注意力機制的網(wǎng)絡(luò)，該方法預(yù)測精度提升 48.09%，測試集均方誤差達 2.17×10?3，且計算速度大幅提高。此外，該框架還能應(yīng)用于等離子體超材料的逆向設(shè)計，顯著降低了計算成本，為高效實時優(yōu)化復(fù)雜納米結(jié)構(gòu)開辟了道路。
* 論文地址：
??https://arxiv.org/abs/2504.00203??
與此同時，大西洋國際大學團隊提出了一種基于人工智能的新型超材料觀測裝置，將現(xiàn)代成像硬件與尖端機器學習算法相結(jié)合。與傳統(tǒng)的觀測技術(shù)相比，該系統(tǒng)在精度、速度以及探測迄今為止無法探測到的元素的能力方面均有顯著提升。結(jié)果表明，人工智能驅(qū)動的方法不僅提高了定義已知超材料的能力，還開辟了尋找獨特特性和行為的新途徑，從而加速材料科學與工程領(lǐng)域的發(fā)明速度。相關(guān)研究已入選 International Journal of Futuristic Innovation in Engineering, Science and Technology (IJFIEST) 期刊。
* 論文地址：
??https://journal.inence.org/index.php/ijfiest/article/view/369??
此外，首爾國立大學等團隊提出了一種三維機械超材料無參數(shù)設(shè)計策略，其基于點云的深度生成網(wǎng)絡(luò)，構(gòu)建了超材料結(jié)構(gòu)庫來訓(xùn)練機器學習模型。訓(xùn)練后的潛在空間形成具有相似特性的單元拓撲簇，從而實現(xiàn)高效的探索和平滑的插值。此外，與傳統(tǒng)方法相比，該方法可以更快地預(yù)測機械特性。該方法創(chuàng)建了具有目標特性的超材料，不受參數(shù)化約束的限制。計算和實驗驗證證實，其與期望特性在可接受的誤差范圍內(nèi)一致。
* 論文地址：
??https://arxiv.org/abs/2411.19681??
可以預(yù)見，機器學習算法正推動機械超材料的設(shè)計與應(yīng)用邁向新高度。隨著強化學習、生成對抗網(wǎng)絡(luò)等算法的持續(xù)迭代，機器學習有望為機械超材料領(lǐng)域帶來更多顛覆性突破，助力其在更多領(lǐng)域?qū)崿F(xiàn)廣泛應(yīng)用。
參考鏈接：
???https://mp.weixin.qq.com/s/-LTTHsvIz-x9p0zjT6I1kg???
???https://arxiv.org/abs/2411.19681???
???https://arxiv.org/abs/2504.00203??
