清华新闻网10月23日电 清华大学机械系温鹏副教授团队近日提出了一种基于生成式设计-多目标主动学习循环（GAD-MALL）算法的超材料设计方法，成功用于3D打印多孔金属骨植入物的结构设计和性能优化，为突破超材料设计时面临的高维度、少样本难题提供了通用的可行途径。研究团队创新地提出了一种生成模型、三维卷积神经网络和数值模拟相融合的主动学习循环（GAD-MALL）算法用于超材料多孔结构设计。首先，基于生成式模型中的自编码器对18000余个多孔结构进行无监督学习，通过编码器-解码器神经网络学习高维数据中的有效信息，将高维设计空间转换至低维并展示在模型的潜在空间中；接着，通过高斯混合模型在潜在空间中进行采样，利用解码器对采样信息进行解码得到采样结构；进一步，利用三维卷积神经网络对采样结构的性能进行预测，利用数值模拟方法对预测性能最优的结构进行物理分析，校准预测结果并更新采样数据库；然后，基于更新后的三维卷积神经网络对新一轮采样结构进行预测，并迭代优化多目标性能；最终，将优化后的结构进行3D打印和物理测试，并与传统方案进行对比，直至实现预期的优化效果。这种学习方法能够在数据稀疏场景下有效解决高维多目标优化难题，为AI赋能材料和结构设计提供了一种高效范式。研究团队成功地将这种方法应用于钛合金和可降解锌金属骨缺损修复多孔植入物的优化设计和3D打印，生成的多孔植入物在快速匹配骨骼解剖形态和弹性模量的同时，保持良好的孔隙连通性和可制造性，展现出比均质结构和拓扑优化结构更高的屈服强度和更均匀的应力分布。目前团队和北医三院骨科合作，在国际上率先实现了3D打印可降解金属多孔植入物的临床应用，成功完成围关节骨折骨缺损修复30余例，未来将会采用AI赋能的定制化方法，对3D打印多孔植入物的材料和结构进一步优化，实现骨缺损修复的精准治疗。上述研究成果近日以“机器学习多目标超材料设计”（Machine learning-enabled constrained multi-objective design of architected materials）为题，发表于Nature Communications期刊。