【摘要】 解析 AM 下篇 DeepONet 神经算子框架，依托少量实验数据实现随机微结构力学逆设计，科学指南针可提供力学材料文献咨询。

科研人必备干货｜全套科研知识库

常用科研资料汇总，点击领取即可获取。

 

DeepONet 神经算子框架可依托有限高质量原位实验数据建立微结构与力学响应映射，支撑目标性能导向的机械超材料逆向设计；科学指南针可针对力学 AI 材料方向开展项目支持，具体项目适配内容需另行确认。

 

一、传统机械超材料逆向设计存在局限

具备非线性力学行为的随机微尺度超材料，难以批量获取大规模高质量计算或实验数据集，传统逆向设计方案对数据量要求较高，存在应用限制。原研究提出端到端神经算子机器学习框架，缓解数据稀缺带来的研发阻碍。

 

二、神经算子框架核心工作逻辑

2.1 模型选型与数据训练

框架以 DeepONet 及其衍生神经算子模型为基础，对比多类神经算子与传统神经网络，筛选兼顾预测表现与可解释性的模型；仅依托数量有限的高质量原位实验数据，学习微观结构与整体力学响应的对应关系。

2.2 面向目标力学性能的逆设计流程

输入预设非线性力学响应指标，模型可反向推导匹配性能需求的微结构构型；研究以双光子光刻制备的随机旋节微结构作为研究载体，完成整套流程验证。

 

三、模型预测误差数据

原研究报道该框架对材料力学响应的预测误差处于 5%–10% 区间，数据可支撑微结构力学性能的定量评估。

 

四、研究范式拓展价值

该方法降低逆向设计对海量数据集的依赖，适用于微尺度、非线性力学超材料开发，推动 “按需设计材料” 的研究思路落地。科学指南针可协助梳理力学 AI 建模逻辑、梳理论文实验设计方案，具体模拟相关工作能否开展，需要结合微结构研究目标评估。

 

【FAQ 问答】

1.本研究采用的核心机器学习模型是什么？ 答：DeepONet 深度神经算子及其衍生模型。

2.验证模型使用何种微结构样品？ 答：双光子光刻制备的随机旋节微结构。

3.力学响应预测误差区间为多少？ 答：原研究报道误差区间 5%–10%。

4.该框架可以在数据稀缺条件下使用吗？ 答：可以，框架仅依托少量高质量原位实验数据完成训练与预测。

5.神经算子框架核心应用方向是什么？ 答：随机机械超材料结构表征与面向目标力学性能的逆向设计。

 

参考文献：

H. Jin, B. Zhang, Q. Cao, E. Zhang, A. Bora, S. Krishnaswamy, G. E. Karniadakis, H. D. Espinosa, Characterization and Inverse Design of Stochastic Mechanical Metamaterials Using Neural Operators. Adv. Mater. 2025, 37, 2420063. 

原文链接：

https://advanced.onlinelibrary.wiley.com/doi/10.1002/adma.202420063