通过神经进化在可及弹性的极值上构建胞元超材料

材料不同力学性质之间的权衡在工程材料设计中构成了根本性挑战，例如平衡刚度与韧性、重量与吸能能力，以及各种弹性系数之间的权衡。尽管基于梯度的拓扑优化方法在寻找特定设计与性质方面行之有效，但它们并非探索超材料广阔设计空间的高效工具，因而无法揭示相互依赖的材料性质的可及边界。其他常见方法，如参数化设计或数据驱动方法，分别受限于几何形状缺乏多样性或难以从已知数据外推。在本工作中，我们将多个竞争材料性质的同步探索表述为一个多目标优化问题，并采用神经进化算法对其进行高效求解。组合模式产生网络被用作元胞设计的生成模型，其提供了非常紧凑且无损的几何编码。我们采用一种改进的增强拓扑神经进化算法来进化 CPPN，使其在 MOO 问题的 Pareto 前沿上创建超材料设计，从而揭示弹性性质不同组合的经验边界。展望未来，我们的方法可作为一种通用框架，用于跨机器人学、生物医学、热工程与光子学等多个领域的多样化超材料的计算发现。