加州大学伯克利分校团队提出GraphMetaMat，从头设计3D桁架超材料

加州大学伯克利分校的研究团队开发出一种名为GraphMetaMat的AI驱动框架，能够从零开始设计具有复杂功能的3D桁架超材料，并有效减少其对制造缺陷的敏感性。这种新材料在汽车保险杠、航空航天面板和医疗植入物等领域有广泛应用。 GraphMetaMat利用深度学习技术，将用户输入的特定需求（如应力-应变曲线或特定频率下的振动衰减）转化为材料的图形化设计，通过不断添加节点和边来定义材料的结构和拓扑。它还能够整合制造和缺陷相关的工程约束，使设计更贴近实际生产条件。 此前，AI在材料设计中的应用多集中在理想条件下的理论模型，而GraphMetaMat则首次实现了针对具体制造工艺（如3D打印）的实用化设计，优化材料在存在微小缺陷时的性能表现。 研究团队通过结合强化学习、模仿学习、代理模型和蒙特卡洛树搜索等多种AI技术，克服了超材料设计中缺乏训练数据的难题。实验显示，GraphMetaMat设计的材料在能量吸收和振动控制方面优于传统材料，如聚合物泡沫和声子晶体。 这项研究为制造可容忍缺陷、具备定制功能的高性能超材料提供了新思路，有望推动材料科学和工程领域的创新。