近日，北京中关村学院具身智能方向负责人陈凯老师与中国科学技术大学等机构合作，在国际知名期刊《Nature Communications》发表研究论文，提出了一种由数据驱动的超材料（Metamaterial）逆向设计新方法。
这项工作直面超材料领域一个长期存在的瓶颈：如何根据预设的功能需求，快速、可靠地设计出具有复杂微观结构的人造材料？团队借助生成式人工智能，构建了一个庞大的微结构“数据库”，将过去耗时近10小时的设计流程缩短至5分钟，为高性能功能材料的研发提供了一套全新的设计范式。
论文链接：https://www.nature.com/articles/s41467-025-68089-2
自然界是卓越的结构设计师。从人体骨骼到天然木材，许多生物材料都展现出一种被称为“双连续”的精巧结构——固相与孔隙相互交织，各自形成连续的网络。这种结构赋予了材料轻质、高强、高渗透性等多功能于一体的优异特性。受此启发，科学家们致力于创造性能超越天然材料的“超材料”。
超材料的非凡特性并非源于其化学成分，而是来自其内部精心设计的人工微观结构。通过调控这些微结构的几何形状、尺寸和排布，我们原则上可以“按需定制”具有特定力学、声学、热学或电磁学性能的材料。这为从生物医疗到航空航天的诸多领域带来了广阔的应用前景。
然而，将理想性能转化为现实结构，即“逆向设计”，长期面临两大挑战：
首先，这些微观结构极其复杂，难以用简洁的数学公式描述，这使得传统的优化算法步履维艰。其次，构建一个宏观尺度的部件，往往需要将成千上万个不同的微观结构单元拼接起来。如何确保这些单元在边界处完美连接，是一个棘手的难题。现有的方法不仅计算成本高昂，而且连接处常常成为力学上的薄弱点，影响最终产品的性能和可靠性。
L-BOM：一个由AI构建的“即插即用”微结构库
针对上述难题，该研究团队提出了一个简洁而高效的解决方案，其核心是“边界一致性”原则：如果所有微观结构单元都拥有完全相同的边界，那么将它们拼接在一起时，连接问题便迎刃而解 。
这就像标准化的乐高积木，无论每块积木内部如何变化，统一的接口确保了它们可以无缝拼接。这一思想将复杂的全局连接优化问题，转化为一个更易于处理的任务：创建一个足够丰富、性能多样且“即插即用”的微观结构单元库。
为此，团队开发了一套基于生成式人工智能的自动化构建流程，该系统采用一种结合了主动学习（Active Learning）的条件扩散模型，能够根据给定的目标力学性能（如刚度、泊松比等），高效地生成全新的、符合边界约束的微观结构 。
通过这种方式，团队成功构建了一个名为“大范围、边界一致、双连续开放孔隙微结构”（L-BOM）的数据库，其中包含了超过40万个独特的微结构单元 。这个数据库如同一部详尽的“超材料基因图谱”，覆盖了极其广泛的物理属性空间，为后续的按需设计提供了坚实的基础。
图1 数据驱动的多功能双连通多尺度结构设计的动机、挑战与工作流程。a 松质骨；b 双连通开孔结构；c 边界连接性；d 通过拓扑优化（Opt.）与主动学习（AL）构建的L-BOM数据集，其边界/掩膜为相同的“X”形，右侧为松质骨的多尺度逆向 设计过程。
从植入体到过滤网：新范式的应用潜力
这一新设计范式的价值，在多个实际应用场景中得到了验证。
在生物医学领域，理想的骨植入体需要同时满足力学性能与生物相容性的双重需求。例如，其杨氏模量需与宿主骨骼匹配，以避免“应力屏蔽”；同时，其孔径需在特定范围（200-400微米）内，以利于细胞长入 。研究团队以兔股骨植入体为设计目标，利用L-BOM数据库进行设计。结果显示，新方法设计的植入体，其杨氏模量与目标值（约2,500 MPa）高度吻合，且平均孔径（299.31 μm）精准地落在促进骨整合的理想窗口内。相比之下，几种经典的结构设计方案则难以同时满足这两个关键指标。更重要的是，整个设计时间从传统方法的数小时大幅缩短至仅20.11秒。
图2 致密骨与松质骨植入物的多尺度设计。a 初始配置及优化结果；b 多尺度结构的匹配、组装与求交过程；c 本研究结果（I）与三种典型结构：IWP（II）、BCC truss（III）以及旋节线结构（IV）的对比；d 展示了本研究的优化结果与 IWP、BCC truss、旋节线结构在松质骨设计中的计算时间（T/s）、杨氏模量（E/MPa）及平均孔径（APS/μm）的比较。
该方法的灵活性也体现在其他领域。在设计腰椎融合器时，团队利用了数据库中具有负泊松比的特殊结构，以在提供足够支撑的同时，避免对周围神经组织产生挤压。在设计过滤装置时，该方法同样展现出优势，能够生成比传统结构渗透率范围更广的超材料，为需要精确控制流体特性的应用提供了更大的设计自由度。
图3 过滤装置的多尺度结构设计。a 过滤装置的初始设置（4×4×1个单元）；b 比较了Mask 2数据集中的微结构与三种 TPMS 结构（Gyroid、Diamond 和 IWP）在孔隙率 (1−V)、比表面积 (S/V) 和渗透率方面的差异。对于孔隙率为 0.5、0.6、0.7 和 0.8 的情况，分别选取了五种具有代表性的结构，并基于 S/V 与渗透率与对应的 TPMS 类型进行对比；c 展示了双连通开孔结构的固体相（灰色）与空隙相（半透明），以及通过 COMSOL 获得的流体仿真结果；d 在孔隙率为 0.8 的条件下，对比了所设计结构与 Gyroid、Diamond 和 IWP 结构的性能，并展示了各自的流体仿真结果；e 对六种结构（IWP、Diamond、Gyroid 以及优化后的多尺度设计 M16、M19、M20）进行了渗透率实验验证。图中快照对应时间为 t = 1.90 s，各样品下方标示了总渗透时间 Ttotal。
这项研究的意义不仅在于效率的飞跃，更代表了一种科研范式的转变：AI正从“数据分析工具”进阶为“科学发现与创造的引擎”。它将人工智能技术从数据中学习规律的能力，与物理世界的结构设计相结合，把过去“从零开始”的、逐点优化的漫长过程，转变为在庞大“解空间”中高效检索和组装的模块化流程。
当然，这并非终点。正如所有计算模型一样，其设计结果仍需通过实验进行最终验证。未来，将更多物理场（如热学、电磁学）的性能要求整合进AI模型，有望进一步拓展该框架的应用边界，使其成为一个更加通用的多功能超材料设计平台。
科学的进步离不开工具的革新。从手工绘图到计算机辅助设计，再到如今的人工智能驱动创造，我们设计和制造物质世界的能力正在经历又一次飞跃。这项工作为我们揭示了这样一种可能：未来，我们或许不仅能发现和使用材料，更能根据需求，真正地“创造”超级材料。