编辑推荐：
本文提出了一种新颖的自下而上设计框架，首次将基于3D高斯分布的体素生成与条件深度卷积生成对抗网络（DCGAN）结合，突破了传统隐函数方法（如TPMS）的几何限制，为多功能点阵超材料（Lattice Metamaterials）的设计带来了前所未有的自由度。该框架通过集成3D卷积神经网络（CNN）进行精确的能量吸收性能预测（准确率>98%）和遗传算法（GA）优化亥姆霍兹共振器参数，成功设计出兼具优异能量吸收（较传统壳点阵提升40%–200%）和宽带声音吸收（α > 0.5, 1000–5800 Hz）性能的壳点阵结构，并通过微激光粉末床熔融（micro-LPBF）3D打印实验验证，为解决现有逆向设计方法的设计空间探索不足和效率低下问题提供了通用解决方案。
引言
点阵超材料因其轻质高强的特性在工程应用中备受关注，并展现出向多功能集成发展的趋势。然而，传统的正向设计方法依赖设计者经验且计算成本高昂；而逆向设计中的拓扑优化（TO）等方法则易陷入局部最优且对边界条件敏感。近年来的机器学习应用主要集中于性能预测，而结构逆生成仍需借助遗传算法（GA）等其他技术，且受限于训练数据集质量和有限的设计空间探索能力。尽管扩散模型、变分自编码器（VAE）等生成模型取得进展，但普遍存在采样效率低或生成性能受限的问题。为克服这些限制，本文首次提出一个真正的自下而上多功能点阵超材料设计框架。
设计框架
该框架的核心是结合了3D高斯体素生成与深度学习。首先，通过组合多个3D高斯分布生成初始体素数据集，构建了包含20,000个多样结构的训练集。这些1/8单胞结构经过镜像和阵列操作，形成4×4×4的完整模型，并通过拉普拉斯平滑算法优化表面质量以提升可制造性。
框架集成了多功能优化与验证。其中，一个3D卷积神经网络（CNN）被开发用于准确预测结构的能量吸收性能。该模型以结构体素坐标矩阵（26×26×26）为输入，经过训练在测试集上实现了仅2.008%的误差率，并成功对高/低能量吸收结构进行分类。
基于CNN的分类标签，本研究引入了一个条件深度卷积生成对抗网络（DCGAN）进行目标驱动的逆向生成。通过向判别器输入带有“高能量吸收（标签1）”和“低能量吸收（标签0）”分类信息的真实结构，并约束生成器生成标签为“1”的模型，实现了面向高能量吸收性能的3D点阵结构生成。
同时，为优化生成结构的声学性能，研究结合亥姆霍兹共振原理与遗传算法（GA），对引入每个单胞的吸声孔直径（d）和壁长（h）进行参数优化。通过排列四种不同的异质单胞，实现了在1000至5800 Hz频段内优异的宽带吸声性能。
结果与讨论
高能量吸收能力
GAN训练过程显示模型具有良好的生成和泛化能力。生成的点阵结构根据变形模式可分为离域变形、剪切带形成和逐层坍塌。分析表明，离域变形行为显著增强了能量吸收能力，大部分高能量吸收结构均表现出此特性。其中，一个相对密度低于19%的结构实现了超过50 MPa的屈服强度和55 MPa/m3的出众能量吸收能力。与现有最优设计相比，新结构在相同相对密度下，能量吸收能力比传统板结构高出约50%–100%，比桁架结构高出200%，其比能量吸收（SEA）值也较TPMS结构高出40%–200%。
弹性和屈服性能
尽管所提出的点阵结构不局限于立方对称性，但其弹性性能表现出各向异性，沿压缩z轴具有更高的杨氏模量。与典型点阵结构（如TPMS、桁架和板点阵）相比，其杨氏模量性能超越了大多数壳和桁架结构，甚至显著优于FCC和BCC板结构，达到了与SC板相当的水平。在屈服强度方面，所提出的结构在（001）方向（[100]单胞的Z轴）上的压缩塑性变形屈服强度优于大多数典型点阵构型，显示出相对于其他桁架和壳基设计的明显优势。对不同晶体取向（[100]-, [110]-, [111]-单胞）的评估进一步揭示了结构强度与晶体取向的直接关联。
高吸声系数
实验验证表明，优化后的异质结构实现了平滑连续的宽带吸声曲线，在整个频率范围内吸声系数均高于0.5，平均系数达0.69。与代表性TPMS、板和桁架点阵相比，该设计在仅30 mm的厚度下展现了更优异的宽带吸收性能。通过分析比声阻抗（Zr）及其实部（Re(Zr)）和虚部（Im(Zr)），以及反射系数（R）的复平面图，深入理解了其增强的宽带吸收耦合机制。优化后的超材料显示出一系列跨越宽频段的连续极点-零点对，对应着吸声系数α ≥ 0.5的扩展区域，而组成相则表现出分离的、局部的共振行为。
进一步讨论
该框架通过算法优化的单胞几何形状创造了最佳应力分布路径，其自重复架构实现了冲击事件中均匀的应力波传播，并且机器学习模型在训练中通过有限元法（FEM）纳入了材料塑性参数，使生成的结构能够平衡刚度要求与可控变形行为。在声学方面，该研究将孔隙直径（d）和深度（h）作为组合声学设计框架中的耦合优化参数，同时考虑了精确调谐空腔尺寸的亥姆霍兹共振器（HR）效应和通过梯度孔隙分布实现的宽带阻抗匹配。这种体素-高斯混合设计使得点阵超材料在能量耗散和宽带声音吸收方面表现出色，在从人机界面、土木基础设施到航空航天和汽车工业的广泛应用中具有潜力。该混合方法展示了可扩展到多种多功能超材料设计的潜力，致力于寻找多功能超材料的最优解集（帕累托前沿）。
结论
本研究提出了一种通过整合新颖的基于高斯分布的体素生成方法与性能驱动优化来实现架构点阵结构多功能性的通用自下而上设计方法。通过一个混合深度学习框架——包含用于高精度能量吸收预测（>98%）的3D卷积神经网络（CNN）和用于逆向设计的条件DCGAN，并结合亥姆霍兹共振器参数的遗传算法优化——成功创造了兼具卓越能量吸收和宽带声学衰减（α > 0.5, 1000–5800 Hz）的点阵架构。高斯体素生成策略代表了从传统隐函数方法的范式转变，克服了几何限制，并显著扩展了超越TPMS类结构的设计空间。该生成式AI驱动的框架不仅解决了传统拓扑优化和机器学习方法的效率和设计空间限制，还为热管理、电磁屏蔽和生物医学工程等未来应用提供了通用基础。
