一些地标性建筑和世界著名建筑从设计之初就在结构和材料选择上具有独特的特色。
例如，法国的文化象征之一、巴黎最高的地标建筑是埃菲尔铁塔，被法国人亲切地称为“铁娘子”。它以设计它的著名建筑师和结构工程师古斯塔夫·埃菲尔的名字命名。该塔采用预制组装方式，整体采用钢结构建造。
最初，埃菲尔铁塔的结构设计引起了争议。一方面，其风格与卢浮宫、巴黎圣母院、凯旋门等历史悠久的古典建筑格格不入。另一方面，对其100%钢架空心结构的不信任。但事实上，在那个时代，用古建筑风格的石头建造一座324米高的建筑是很困难的，所以钢结构的设计和选型是正确的。
如今，随着材料科学和计算机技术的不断发展，材料结构的设计范围已从米级进入纳米级；应用范围也从最宏大的建筑材料扩展到轻质结构、隔热、电池电极、催化剂载体、光学和声学超材料等众多应用领域。此外，增材制造技术的快速进步也使得更复杂的结构材料从技术和经济角度实现大规模生产成为可能。
那么问题来了，如何找到一种简单、快速、系统的方法来设计复杂的结构材料呢？麻省理工学院赵宣和教授最近的一项研究开发了一种“平台”系统，利用生成对抗网络（GAN）来设计复杂的结构材料。该研究发表在4月24日最新一期《Science Advances》上。为此，DeepTech特地与赵选河教授聊了聊这项研究。
图|论文截图（来源：Science Advances）
打破传统，AI赋能材料结构设计
尽管人们很早就认识到结构材料具有重要的应用价值和巨大的潜力，但在设计上始终面临着诸多挑战。
现有的结构材料设计通常采用自然生物启发或拓扑优化（先猜测形状，然后不断优化）等方法。例如，蜂窝、骨骼或植物薄壁组织等形态结构均源自生物学灵感。但问题是，自然界中的生物不一定以提供最佳结构性能的方式进化，而是面临各种生存问题。因此，受生物体启发的设计通常不能保证结构的最佳解决方案。
此外，自然界生物系统的参考范围也有限，许多性能和功能较为理想的结构材料无法找到相应的生物灵感作为参考。
拓扑优化方法在材料设计中也取得了成功，可以在一定范围内实现最优结构。然而，拓扑优化方法可能会受到结构初始猜测的限制，不同的初始猜测可能会带来不同的结构和性质。
最重要的是，这些传统方法需要设计师拥有丰富的先验知识和经验来操作，最终可供选择的设计数量有限。简单来说，水平或许非凡，但人手终究有限。
“如果机器能为人们提供更多的选择，那么人们的能量就能得到释放，更多的创造力就能投入到其他事情上。”赵悬河解释道：“这些需要大量数据模拟计算的东西，就交给机器来设计吧。”
但赵悬河在聊天中强调：“我们所谓的设计，并不是指原子层面的拆解和组合，不是设计材料，而是设计结构。”他表示，结构材料或微结构材料是目前一个新兴的领域，是通过设计材料的结构来追求某些性能的领域。
图|复杂结构材料设计流程示意图：A.数据生成器，用于生成结构材料的配置和属性数据集； B. 在数据集上训练的 GAN； GAN 提出了具有目标性能的新结构材料设计解决方案（来源：Science Advances）
生成对抗网络（Generative Adversarial Networks）的概念最早由《深度学习》的作者之一、被誉为“GAN之父”的伊恩·古德费罗（Ian Goodfellow）提出。他目前是人工智能领域的顶尖领军人物。专家之一。简而言之，GAN 是生成模型和判别模型之间的模仿游戏。
生成模型旨在模仿、建模和学习真实数据的分布模式。判别模型是判断获得的输入数据是来自现实还是来自另一个生成模型。之后，通过这两个内部模型的不断对抗，其生成能力和判别能力得到提高。
“但 GAN 只是这里的一个工具。”赵悬河对DeepTech表示，“它实际上是在燃烧大量的数据，所以关键是数据，而且需要高质量、大规模的数据。”
因此，在这项研究中，他和实验组学生最关键的工作就是提出一种“生成数据的方法”。 “我们首先提出了基于格的分类。简单来说，结构可以通过多种方式随机生成，但如果完全随机生成，结构中的一些系统相关性就会丢失。所以我们首先对随机生成的结果进行分类，根据晶格结构（对称性等）分为几类，”他解释道。
然后，在每个格子系统中，他们上传了数百万个随机生成的结构，并通过大量计算，获得了相应性能和其他相关内容的海量数据，最后利用这些数据来训练GAN。
有趣的是，他们的初衷是为了解决传统结构材料设计的局限性，比如需要大量的经验、初步猜测的局限性，或者可用的设计方案有限。但最终的结果让他们发现，GAN不仅提供了极其大量的选择国外钢结构设计，而且还提供了在特性方面可以达到理论极限的材料结构，即它们可以获得最好的性能。
“在试图解决传统设计方法面临的问题的同时，我们还尝试了一个非常复杂且具有挑战性的例子——各向同性结构材料如何能够达到最高的理论杨氏模量。”赵悬河说，“过去的文献只有几种类型，而且都是人们根据经验给出的，但我们通过计算机生成了400多种不同的结果，这在以前是人工很难做到的。”
图|像素级结构材料说明：A.建筑材料中单元、元素和像素的定义； B. 使用 17 组晶体对称性生成二维空间拓扑； A 和 B 中的结构孔隙率设置为 0.5（来源：Science Advances）
对于是否可以制造400多个结构的问题，他告诉DeepTech：“我的学生实际上已经通过激光切割制作了十多个这样的结构材料，还没有尝试过3D打印。总之，这大量可以制造 400 多个结构。”
这项研究最关键的是它开创了结构材料设计的新思路，并提供了一个基于平台的系统。
“这是一个可以实现与零经验的最优秀设计师相当的结构设计性能的系统。除了高硬度结构外，它的应用范围非常广泛。它还可以用于导热、导电和热传导。”性等多向结构材料的设计。”赵悬河说道。
AI提供多种选择，瞄准行业应用
当计算机能够为结构材料提供众多的功能和性能选择时，是否也给制造过程带来了相应的困难？
“这是一个很好的问题。但事实上，无论是否使用人工智能，所有的结构设计方案都会面临这个问题。”赵悬河回答道，“通过传统的仿生学、试错迭代或者拓扑优化，我们也会面临生产问题。解决问题的方式一般是设计师提出更多的解决方案，然后选择适合生产的类型。”
因此，这项研究在一定程度上有助于解决结构材料在制造工艺方面面临的障碍，因为它为人们提供了更多的选择。
“对于一种结构材料，我们不仅要从工艺角度看问题，还要从经济效益角度，甚至从多功能角度看问题。而当考虑的角度越多时，如果你有更多选择，那么问题就变得简单得多国外钢结构设计，”他说。
对于未来的研究，他表示，实验室目前“两条腿走路”：一方面做基础研究，重点研究材料的性质和结构；另一方面做基础研究。另一方面是应用研究，如水凝胶生物电子学、人造肌肉等。等待。从长远来看，后两个方向将逐渐结合起来，将材料性能和结构设计融为一体，并投入到真正的工业应用中。
轮廓
