生成对抗网络（Generative Adversarial Networks, GANs）实现了仿生拓扑结构的融合，同时兼顾了机械性能的平衡与美学品质

《Scientific Reports》：Generative adversarial networks enable biomimetic topology fusion with balanced mechanical performance and aesthetic quality

　　

摘要

传统的结构设计研究通常优先考虑机械性能指标，但缺乏一种统一的描述方式，无法将形式的美学表达量化和验证。为了解决这一难题，我们开发了一个基于生成对抗网络（GAN）的框架，用于仿生拓扑结构的生成。该框架利用循环一致性GAN（CycleGAN）在无配对监督的情况下，学习两类自然原型之间的双向映射和形态转换：一类是以性能为导向的形态（例如蜻蜓翅膀的脉络和树叶的脉络），这类形态具有较高的结构效率，但视觉效果较弱；另一类是以美学为导向的图案（例如蜂窝结构和松果的螺旋结构），这类形态具有明显的几何规则性和比例结构，但承载能力有限。通过跨领域的转换和融合，该模型合成了兼具结构坚固性和有序几何特征的混合拓扑纹理。这些合成形态通过弯曲测试来验证其承载能力和能量吸收效率，并通过多指标美学量化方案进行客观评价，该方案基于二进制化的结构图，涵盖了对称性、复杂性和秩序性等要素。在多种形态组合中，融合生成的结构在机械性能和美学指标上表现出更平衡的特点，表明工程设计实用性与视觉表达之间实现了有效的协同作用。此外，我们还提供了一个应用实例——用于骨科外骨骼产品的概念性形态设计，展示了该方法在工程设计与美学设计交叉领域的潜力。