用于剪纸超材料逆向结构设计与快速激光切割的强化学习
机器学习
2026-05-12 v1
摘要
剪纸是一种日益有用的制造方法，用于生产形状可编程的超材料结构。然而，逆向设计仍然困难，因为展开是非线性的，且可行的切割布局必须满足离散的兼容性规则、避免重叠，并将一个目标形状映射到有效的设计。我们提出了 RL-Kirigami，这是一个逆向设计框架，它将最优传输条件流匹配（OT-CFM）与强化学习相结合，为紧凑的可重构平行四边形四单元剪纸生成兼容的比率场。行进解码器强制执行全局几何兼容性，而组相对策略优化（GRPO）使生成器与用于轮廓匹配、可行性和比率场正则性的不可微奖励对齐。在程序生成的目标形状实例中，来自预训练 OT-CFM 先验的单个样本达到了 的 sIoU，并优于求解器基线，同时将正向模拟器评估次数从数百次减少到 1 次。GRPO 将准确率提高到 的 sIoU，并且在包含正则性后，将 从 0.95 降低到 0.81，同时保持了 的 sIoU。生成的布局被导出为 DXF 格式，并在 的聚合物薄片上进行激光切割，每个部件在 分钟内生产出可展开的原型。这些结果支持了一种在严格几何可行性约束下，面向制造的可展开剪纸超材料逆向设计工作流程。
引用
@article{arxiv.2605.08098,
title = {Reinforcement learning for inverse structural design and rapid laser cutting of kirigami prototypes},
author = {Milad Yazdani and Shahriar Shalileh and Dena Shahriari},
journal= {arXiv preprint arXiv:2605.08098},
year = {2026}
}