Durchbruch Im Meta-Material-Design! Meta AI Und Andere Schlugen UNIMATE Vor, Das Erstmals Eine Einheitliche Modellierung Von Aufgaben Wie Topologiegenerierung Und Leistungsvorhersage Ermöglichte.

Metamaterialien sind eine Art von Material, das aus künstlich entworfenen Subwellenlängenstrukturen besteht, die die inhärenten Beschränkungen natürlicher Materialien durchbrechen und eine präzise Kontrolle elektromagnetischer Wellen ermöglichen können, wie etwa negativer Brechungsindex, Superlinsen, Stealth-Technologie usw. Unter ihnen haben mechanische Metamaterialien als eine Art künstliches Material mit besonderen mechanischen Eigenschaften ein großes Anwendungspotenzial in der Luft- und Raumfahrt, Biomedizin, Energiespeicherung und anderen Bereichen gezeigt.Das Besondere daran ist, dass die Eigenschaften nicht durch die chemische Zusammensetzung des Materials bestimmt werden, sondern durch eine sorgfältig gestaltete Mikrostruktur erreicht werden.Beispielsweise dehnen sich Metamaterialien mit negativer Poissonzahl bei Dehnung seitlich aus, eine Eigenschaft, die sie für den Einsatz in flexiblen Geräten wertvoll macht, während Metamaterialien mit hohem Energieabsorptionsverhalten für den Einsatz in Dämpfungsgeräten geeignet sind.
An der Schnittstelle zwischen Materialwissenschaft und künstlicher Intelligenz war die Entwicklung und Optimierung von Metamaterialien schon immer eine Forschungsrichtung, die viel Aufmerksamkeit auf sich zog.Normalerweise sind drei Schlüsselmodalitäten beteiligt: 3D-Topologie, Dichtebedingungen und mechanische Eigenschaften.Zwischen diesen drei Modi besteht eine enge Beziehung. Sind zwei davon bekannt, lässt sich der dritte Modus ableiten. Das Forschungsteam stellte jedoch durch eine umfassende Literaturrecherche fest, dass die meisten Studien nur zwei dieser Modi berücksichtigen. Beispielsweise die Vorhersage mechanischer Eigenschaften einer 3D-topologischen Struktur oder die Generierung einer 3D-topologischen Struktur basierend auf der erforderlichen Leistung.Diese Einschränkung erschwert es bestehenden Modellen des maschinellen Lernens, komplexe praktische Anwendungsszenarien zu verarbeiten, und erschwert die vollständige Erfassung der Beziehung zwischen den drei Modalitäten.
Um diese Forschungslücke zu schließen, schlug ein Forschungsteam der Virginia Tech und Meta AI ein einheitliches Modell namens UNIMATE vor. Es entwickelte erstmals ein einheitliches Framework, das die drei Hauptmodi des Metamaterialdesigns gleichzeitig verarbeiten kann. Durch die innovative Architektur der modalen Ausrichtung und der kollaborativen Diffusionsgenerierung gelang die kollaborative Optimierung der drei Hauptaufgaben Topologiegenerierung, Leistungsvorhersage und Zustandsbestätigung. Diese Forschung schließt nicht nur die technische Lücke im Multitasking-Metamaterialdesign, sondern bietet auch eine allgemeine Methodik für die intelligente Materialentdeckung.
Die Forschungsergebnisse mit dem Titel „UNIMATE: Ein einheitliches Modell für die Erzeugung, Vorhersage von Eigenschaften und Bestätigung mechanischer Metamaterialien“ wurden für ICML 2025 ausgewählt.
Forschungshighlights:
* Aufgabenübergreifende Generalisierung: Ein einzelnes Modell kann drei Hauptaufgaben gleichzeitig lösen und so die Aufgabenbeschränkungen herkömmlicher Modelle durchbrechen.
* Effektivität der modalen Ausrichtung: Durch TOT und Codebuchquantisierung werden die Verteilungsunterschiede heterogener Daten deutlich reduziert;
* Technische Praktikabilität: effiziente Speicherverwaltung und Parametersensitivität, geeignet für praktische Materialdesignszenarien.

Papieradresse:
UniMate Mechanical Metamaterials Benchmark-Datensatz:
Datensatz: Der erste Benchmark-Datensatz für mechanische Metamaterialien, der mehrere Aufgaben abdeckt
Um das Problem der fehlenden multimodalen Abdeckung in vorhandenen Daten zu lösen, basiert das UNIMATE-Team auf der topologischen Struktur von Lumpe & Stankovic (2021),Der erste einheitliche Datensatz, der dreidimensionale Topologie, Dichtebedingungen und mechanische Eigenschaften umfasste, wurde erstellt und 500 topologische Strukturen mit nicht mehr als 20 Knoten wurden aus 17.087 Originaltopologien herausgefiltert.
Für jede Topologie hat das Forschungsteam zufällig drei verschiedene Kantenradien zugewiesen und drei verschiedene Dichtebedingungen für jede Topologie generiert (indem es den Kantenradius mit der entsprechenden Formel für die Kantenlänge verknüpft).
Für jedes Topologie-Dichte-Paar unterteilte das Forschungsteam die 3D-Struktur in kleine kubische Voxel und wendete dann Homogenisierungssimulationen an, um die homogenisierten mechanischen Eigenschaften der Struktur zu berechnen, darunter Elastizitätsmodul, Schermodul und Poissonzahl.Schließlich wurden 1.500 Datenpunkte erhalten (500 Topologien, jede mit 3 Dichten und entsprechender Leistung).
Um die Vielfalt des Datensatzes weiter zu erhöhen,Das Forschungsteam führte für jeden Datenpunkt eine Datenerweiterung durch.Durch Drehen der Topologie und Leistung mit demselben zufälligen Drehwinkel wird jeder Datenpunkt neunmal gedreht, und schließlich enthält der Datensatz 15.000 Proben, die Szenarien mit geringer Dichte (ρ = 0,1) bis mittlerer Dichte (ρ = 0,5) abdecken, und die Topologie erfüllt kubische Symmetrie und Periodizität.
Modellarchitektur: Modul zur Modalitätsausrichtung und Modul zur kollaborativen Diffusionsgenerierung
Die UNIMATE-Modellarchitektur ist darauf ausgelegt, das einheitliche Modellierungsproblem der drei Hauptmodi 3D-Topologie, Dichtezustand und mechanische Eigenschaften im mechanischen Metamaterialdesign zu lösen.Sein Kern besteht aus dem Modality Alignment Module und dem Synergetic Diffusion Generation Module.Wie in der folgenden Abbildung dargestellt, wird die kollaborative Verarbeitung mehrerer Aufgaben durch Trainings- und Denkprozesse erreicht.

Modul zur Modalitätsausrichtung: Vereinheitlichung multimodaler latenter Räume
Das Ziel dieses Moduls besteht darin, drei heterogene Modalitäten (Topologie, Dichte, mechanische Eigenschaften) in einem gemeinsamen diskreten latenten Raum abzubilden.Tripartite Optimal Transport (TOT) wird verwendet, um modale Verteilungen anzugleichen, intermodale Unterschiede zu verringern und Herausforderungen im Zusammenhang mit der Datenkomplexität zu bewältigen.
Inspiriert von VQ-VAE bildet dieses Modul die Rohdaten zunächst in einem diskreten latenten Raum ab. Für die 3D-Topologie wird ein Graph Convolutional Network (GCN) als Encoder verwendet, um die Knotenkoordinaten und die Adjazenzmatrix der Topologie in latente Einbettungen umzuwandeln. Für die Dichtebedingung und die mechanischen Eigenschaften wird ein Multi-Layer Perceptron (MLP) als Encoder verwendet.
Anschließend wird ein Codebuch eingeführt, um das potenzielle Token zu „runden“, d. h., das nächstgelegene Prototyp-Token im Codebuch zu finden und das potenzielle Token durch das Prototyp-Token zu ersetzen. Dadurch können die drei verschiedenen Modalitäten in einem gemeinsamen diskreten Raum abgebildet werden, der aus einer Reihe von Token besteht.
Um die drei Modalitäten anzugleichen, erweiterte das Forschungsteam den optimalen Transfer (OT) zum Drei-Parteien-Optimaltransfer (TOT) und optimierte die Verteilung potenzieller Token durch Minimierung der Drei-Parteien-Wasserstein-Distanz (TWD), wodurch die drei Modalitäten angeglichen wurden. Das Design der Ausrichtungsverlustfunktion berücksichtigt umfassend Faktoren wie Rekonstruktionsfehler, Token-Rundungsfehler und Modalitätsausrichtungsfehler.
Co-Diffusions-Generierungsmodul: flexible Handhabung mehrerer Aufgaben
Das Modul zur kollaborativen Diffusionsgenerierung basiert auf einem scorebasierten Diffusionsmodell. Es verwendet modalitätsorientierte Token, um die Generierung unbekannter Modalitäten abzuschließen, unterstützt flexible bedingte Generierung und bewältigt die Herausforderungen der Aufgabenvielfalt.
Die Eingabe dieses Moduls ist das „abgerundete“ latente mechanische Metamaterial (LMTR), in dem einige Token mit Rauschen versehen und als unbekannte Token betrachtet werden. Der Diffusionsprozess vervollständigt die Generierung unbekannter Token durch eine Reihe von Rauschunterdrückungsschritten, von denen jeder Transformer als Backbone-Netzwerk verwendet.
Um das gegebene Kontexttoken unverändert zu lassen, führt das Transformer-Backbone-Netzwerk eine teilweise eingefrorene Diffusionsoperation durch, d. h. die bekannten Token in der Ausgabe werden durch ihre Anfangswerte ersetzt. Dieser partielle Einfrierprozess ermöglicht es dem Modell, Tokensequenzen beliebiger Länge zu verarbeiten und beliebige Teilmengen von Token auf unbekannt zu setzen. Bekannte Token liefern Kontextinformationen für andere Token, insbesondere in der Aufmerksamkeitsoperation des Transformers.
Die Generationsverlustfunktion wird als Abstand zwischen dem gerundeten LMTR und dem durch Diffusion generierten LMTR definiert, und der Generationsprozess wird durch Minimierung dieser Verlustfunktion optimiert.
Während der Trainingsphase werden Modalitätenabgleich und kollaboratives Diffusionstraining abwechselnd durchgeführt. Zunächst werden die Originaldaten über Encoder und Codebuch potenziellen Token zugeordnet, und die Modalitäten werden mithilfe von TOT abgeglichen. Anschließend wird den zufälligen Modalitäten Rauschen hinzugefügt, und das Denoising-Training wird über das Diffusionsmodell durchgeführt, um den Gesamtverlust zu optimieren.
In der Inferenzphase generiert der entsprechende Encoder anhand einiger modaler Daten (wie Dichte und Leistung) bekannte potenzielle Token. Die unbekannten Token werden über den Übertragungsplan TransPlan initialisiert (Token mit hoher Wahrscheinlichkeit werden priorisiert). Die vollständige potenzielle Tokensequenz wird dann über das Diffusionsmodell generiert und schließlich vom Decoder in die ursprünglichen modalen Daten rekonstruiert.
Experimentelles Fazit: Die Leistung der drei Hauptaufgaben wird umfassend verbessert
Wirksamkeitsanalyse
Um die Wirksamkeit des UNIMATE-Modells zu überprüfen, führte das Forschungsteam umfassende Experimente durch und verglich es mit mehreren Basismodellen in drei Aufgabenbereichen: Topologiegenerierung, Leistungsvorhersage und Zustandsbestätigung.
Bei der TopologiegenerierungsaufgabeF von UNIMATEqua und FBedingung Die Indikatoren erreichten 2,74×10⁻² bzw. 7,81×10⁻² und liegen damit 80,2% über dem zweitbesten Basismodell SyMat. Dies bedeutet, dass die generierte topologische Struktur in wichtigen geometrischen Merkmalen wie Symmetrie und Periodizität näher an den ingenieurwissenschaftlichen Praxisstandards liegt.
Bei der LeistungsvorhersageaufgabeNRMSE von UNIMATEpp Es beträgt 2,44 × 10⁻², also 5,11 TP3T mehr als das zweitplatzierte Modell.
In der BedingungsbestätigungsaufgabeNRMSE von UNIMATEcc Das Gewicht der Struktur beträgt 4,43 × 10⁻² und ist damit 50,21 TP3T höher als beim zweitbesten Modell. Darüber hinaus kann UNIMATE Ingenieuren helfen, die optimale Dichte für eine gegebene Topologie und Leistungsanforderungen zu bestimmen und das Gewicht der Struktur bei gleichbleibender Leistung um mehr als 301 TP3T zu reduzieren.
Zeit- und Platzeffizienz
Im Hinblick auf die Zeiteffizienz trainieren wir jedes Modell und zeichnen die durchschnittliche Zeit für die Verarbeitung jedes Batches auf. Die Ergebnisse zeigen, dassDie Stapelverarbeitungszeit jedes Modells ist ungefähr linear zur Stapelgröße.Wie in der folgenden Abbildung gezeigt, liegt die Steigung des UNIMATE-Modells auf einem moderaten Niveau, was darauf hinweist, dass es eine moderate Zeiteffizienz aufweist.

In Bezug auf die Speichereffizienz lösen viele Basismodelle aufgrund unzureichenden GPU-Speichers bei kleineren Batchgrößen Fehler aus.Das UNIMATE-Modell ist sogar Charge Bei einer Größe von 10.000 wurden keine Fehler ausgelöst, was zeigt, dass es viel platzsparender ist als andere Modelle.
Parameterempfindlichkeit
Das Forschungsteam untersuchte außerdem die Parametersensitivität des Modells gegenüber der latenten Token-Dimension d und der Anzahl der Token im Codebuch n. Die experimentellen Ergebnisse sind in der folgenden Abbildung dargestellt.Mit zunehmender latenter Token-Dimension und Codebuchgröße verbessert sich im Allgemeinen die Modellleistung.

Fallstudien
Um die praktische Anwendung des UNIMATE-Modells zu demonstrieren, führte das Forschungsteam eine Fallstudie zur Topologiegenerierung für Metamaterialien mit hoher Steifigkeit und geringer Dichte (HSLD) durch. Beim Training des Modells wurden die Metamaterialdaten mit besseren HSLD-Eigenschaften aus dem Originaldatensatz ausgewählt, die Dichtebedingung auf einen niedrigeren Wert (z. B. 0,3) beschränkt und die erforderliche Steifigkeit innerhalb eines bestimmten Bereichs (z. B. 0,1 bis 0,5) angepasst.
Die experimentellen Ergebnisse zeigen, dassDas UNIMATE-Modell kann eine Reihe topologischer Übergänge generieren, die je nach Leistung variieren.Für die HSLD-Zielaufgabe schlägt das Modell die Verwendung der Oktett-Fachwerktopologie vor, die als Kandidat für eine Topologie mit hoher Steifigkeit gilt. Darüber hinaus kann das Modell neuartige Zwischentopologien generieren, die nicht im Trainingsdatensatz enthalten sind.Dies deutet auf sein Potenzial hin, Zwischenübergänge innerhalb einer gegebenen Verteilung anzunähern und die Entwicklung neuer Metamaterialkandidaten mit gewünschten Eigenschaften zu ermöglichen.
Unterstützt durch Algorithmen des maschinellen Lernens beginnt eine neue Reise im mechanischen Metamaterialdesign
Durch die intensive Einbindung maschinellen Lernens wird das grundlegende Paradigma des mechanischen Metamaterialdesigns neu definiert. In der akademischen Forschung gewinnt die Forschung zu mechanischen Metamaterialien zunehmend an Bedeutung. Wissenschaftler lösen schrittweise die Herausforderungen des Metamaterialdesigns mit hohem Freiheitsgrad, wie z. B. den hohen Rechenaufwand, die Komplexität der Beobachtung und Darstellung sowie die Vielzahl der Designraumparameter, indem sie die komplexen Zusammenhänge zwischen Materialstrukturdaten und Leistungsparametern analysieren und die nichtlineare Anpassungsfähigkeit neuronaler Netze nutzen.
So schlug beispielsweise ein Team der Pennsylvania State University in den USA vor, einen neuartigen Mechanismus der festen Aufmerksamkeit in das Deep-Learning-Framework einzuführen, um die rechnerischen Herausforderungen des Metamaterialdesigns zu lösen. Das Metamaterial besteht aus zwei Goldnanostäben, die in ein dielektrisches Substrat eingebettet sind, und seine Struktur wird durch 12 Parameter beschrieben.Im Experiment wurden mithilfe der Lumerical FDTD-Simulation 6.493 Datensätze zum Trainieren des Netzwerks generiert.Die Ergebnisse zeigen, dass die Vorhersagegenauigkeit dieser Methode im Vergleich zum Netzwerk ohne Aufmerksamkeitsmechanismus um 48,09% verbessert ist, der mittlere quadratische Fehler des Testsatzes 2,17 × 10⁻³ beträgt und die Berechnungsgeschwindigkeit deutlich verbessert ist. Darüber hinaus kann dieses Framework auch auf das Reverse Design von Plasma-Metamaterialien angewendet werden, wodurch der Rechenaufwand deutlich reduziert und der Weg für eine effiziente Echtzeitoptimierung komplexer Nanostrukturen geebnet wird.
* Papieradresse:
https://arxiv.org/abs/2504.00203
Gleichzeitig schlug das Team der Atlantic University ein neues Gerät zur Metamaterialbeobachtung vor, das auf künstlicher Intelligenz basiert und moderne Bildgebungshardware mit modernsten Algorithmen für maschinelles Lernen kombiniert. Im Vergleich zu herkömmlichen BeobachtungstechnikenDas System bietet erhebliche Verbesserungen hinsichtlich Genauigkeit, Geschwindigkeit und der Fähigkeit, Elemente zu erkennen, die bisher nicht erkennbar waren.Die Ergebnisse zeigen, dass KI-gestützte Methoden nicht nur die Definition bekannter Metamaterialien verbessern, sondern auch neue Wege zur Entdeckung einzigartiger Eigenschaften und Verhaltensweisen eröffnen und so die Erfindungsgeschwindigkeit in Materialwissenschaft und -technik beschleunigen. Die entsprechenden Forschungsergebnisse wurden für das International Journal of Futuristic Innovation in Engineering, Science and Technology (IJFIEST) ausgewählt.
* Papieradresse:
https://journal.inence.org/index.php/ijfiest/article/view/369
Darüber hinaus schlug ein Team der Seoul National University und anderer eine parameterfreie Designstrategie für dreidimensionale mechanische Metamaterialien vor, die ein tiefes generatives Netzwerk auf der Grundlage von Punktwolken verwendet, um eine Metamaterialstrukturbibliothek zum Trainieren von Modellen des maschinellen Lernens aufzubauen.Der trainierte latente Raum bildet topologische Cluster von Einheiten mit ähnlichen Eigenschaften, was eine effiziente Exploration und reibungslose Interpolation ermöglicht.Darüber hinaus kann die Methode mechanische Eigenschaften schneller vorhersagen als herkömmliche Methoden. Sie erzeugt Metamaterialien mit gezielten Eigenschaften, unabhängig von Parametrisierungsbeschränkungen. Die rechnerische und experimentelle Validierung bestätigt, dass die erwarteten Eigenschaften innerhalb eines akzeptablen Fehlerbereichs konsistent sind.
* Papieradresse:
https://arxiv.org/abs/2411.19681
Es ist absehbar, dass Algorithmen des maschinellen Lernens die Entwicklung und Anwendung mechanischer Metamaterialien auf ein neues Niveau heben. Durch die kontinuierliche Weiterentwicklung von Algorithmen wie Reinforcement Learning und Generative Adversarial Networks dürfte maschinelles Lernen weitere bahnbrechende Durchbrüche im Bereich mechanischer Metamaterialien bringen und zu ihrer breiten Anwendung in weiteren Bereichen beitragen.
Referenzlinks:
https://mp.weixin.qq.com/s/-LTTHsvIz-x9p0zjT6I1kg
https://arxiv.org/abs/2411.19681
https://arxiv.org/abs/2504.00203