多孔材料已被廣泛應用在消能減振等工程實踐中，其力學屬性已在多個幾何尺度下得到驗證。常見的多孔材料可由柔性梁或殼作為基本單元，通過對其在空間中的重復堆疊而形成，故其力學性能主要取決于基本單元的屈曲變形和單元在空間中的相互作用。

目前現存研究通常僅假設基本單元在空間分布具備對稱性或周期性，從而可將對其的設計和表征簡化在基本單元層面。這種簡化非常適用于基礎研究，但是當利用此類材料進行器件和結構設計的時候，需要根據實際的設計目標，考慮其單元的異構、空間中的優化分布以及相應的破壞機理等。通過對不同單元的非均勻組合，將獲得可調節的局部屬性。這大大增加了設計的靈活性，但同時也給傳統的材料設計方式帶來了很大挑戰。以往憑經驗和直覺來設計單元形態尚為可行，但對于如何安排不同單元的排列往往難以勝任。隨著增材制造等快速建造技術的普及為設計多屬性和復雜幾何的結構提供了必要條件，同時促使工程師在設計中重新審視傳統力學原理和計算輔助方法。如何利用巧妙的空間設計使材料層面的耗能屬性用以增強結構層面的韌性是一個具有挑戰性的問題。 美國俄亥俄州立大學助理教授胡楠（現全職于華南理工）團隊提出了一種基于機器學習的框架，能夠快速預測設計域內任意多孔材料的非線性力學響應曲線，并可根據所需要的響應生成匹配的多孔材料基本單元構型。該框架先使用一定數量的數據集訓練深度神經網絡，再以此預測設計域內所有可能的多孔材料的響應并構建數據庫，以搜索數據庫的方式生成與目標響應曲線匹配的材料構型。如此則可使用更簡潔的神經網絡架構和更少的訓練時間，實現正向的響應預測與反向的材料設計。相較于針對個別彈性參數進行預測和設計的已有研究，該研究能夠對耦合了多種非線性過程（幾何、材料、接觸）的多孔材料壓縮曲線進行預測和材料幾何設計。研究結果表明，該框架在使用全部可能材料構型的20%作為訓練數據集時，即可滿足多種目標響應曲線的材料設計需求。該研究中還從力學角度探討了造成預測誤差的可能原因，指出胞元間的復雜接觸行為可能使得相似的構型具有相異的響應。該框架在單元層面上提高了多元材料的設計效率，并為結構層面上結構功能的可編程性設計開辟了新途徑，為開發多功能器件和智能結構帶來新的機遇。

該文近期發表于npj Computational Materials6:40 (2020)，英文標題與摘要如下，點擊左下角“閱讀原文”可以自由獲取論文PDF。

Accelerated design and characterization of non-uniform cellular materials via a machine-learning based framework Chunping Ma, Zhiwei Zhang, Benjamin Luce, Simon Pusateri, BinglinXie, Mohammad H. Rafiei & Nan Hu Cellular materials, widely found in engineered and nature systems, are highly dependent on their geometric arrangement. A non-uniform arrangement could lead to a significant variation of mechanical properties while bringing challenges in material design. Here, this proof-of-concept study demonstrates a machine-learning based framework with the capability of accelerated characterization and pattern generation. Results showed that the proposed framework is capable of predicting the mechanical response curve of any given geometric pattern within the design domain under appropriate neural network architecture and parameters. Additionally, the framework is capable of generating matching geometric patterns for a targeted response through a databank constructed from our machine learning model. The accuracy of the predictions was verified with finite element simulations and the sources of errors were identified. Overall, our machine-learning based framework can boost the design efficiency of cellular materials at unit level, and open new avenues for the programmability of function at system level.