物理感知的机器学习驱动宽带超开放声学超材料逆向设计
应用物理
2026-05-18 v1
摘要
兼具声衰减与高通风性的通风消声器对于先进噪声控制至关重要。然而，平衡衰减量、带宽、开放度和厚度仍是一个高维挑战。在此，我们报道了一种面向超开放消声器（UAS）的物理感知机器学习驱动逆向设计框架。通过利用基于格林函数的参数化方法，我们在物理上将设计空间解耦为频谱参数和径向参数，在降低复杂度的同时确保了物理可解释性。我们引入了一种两阶段正向预测架构，通过由粗到精的策略捕捉宽带包络和尖锐的共振特征。结合基于种群的混合目标并行（PHP）逆向策略，我们的框架能够快速探索非凸景观，在数秒内识别出数百个优化候选方案。至关重要的是，该框架揭示了支配高性能单体设计的隐藏线性设计规则，这些规则可作为最优阻抗匹配的几何代理。我们实验验证了一系列原型：UAS-2 展示了具有高通风率的单体极限，而 UAS-3 则展示了在多模式相互作用中的多功能性。为了突破单单元谐振器的权衡上限，我们引入了一种并行复合架构（UAS-4），通过空间干涉分布来提升性能。结果证实，在超薄剖面（0.1-0.2λ）和 80% 通风率的条件下，实现了超过 830 Hz 的宽带带宽。这项工作为发现功能超材料的设计原理建立了一种数据驱动范式。
引用
@article{arxiv.2605.16031,
title = {Physics-Aware Machine-Learning-Driven Inverse Design of Broadband Ultra-Open Acoustic Metamaterials},
author = {Zhiwei Yang and Mengyu Li and Xiaohang Xie and Ao Chen and Thomas G. Bifano and Xin Zhang},
journal= {arXiv preprint arXiv:2605.16031},
year = {2026}
}