近日，东南大学机械工程学院吕之阳、陈云飞教授团队在制造工程领域国际顶级期刊《Virtual and Physical Prototyping》（中科院工程技术学科1区TOP期刊，影响因子IF = 9.8）发表了题为《Physics-informed mixture-of-experts framework for extended inverse design of programmable tensile metamaterials》的研究成果（图1）。机械工程学院本科生文呈语，硕士研究生黄振为共同第一作者，吕之阳教授为通讯作者。该工作得到了国家重点研究计划、东南大学太湖创新基金等项目的支持。
图1.论文封面页信息
研究成果：该成果面向复杂工程应用对可编程非线性力学响应的迫切需求，围绕拉伸力学超材料扩展逆向设计理论与物理启发人工智能（PI-MoE）框架开展研究，突破了纯数据驱动模型物理约束不足、逆向设计映射“一对多”歧义及小样本泛化能力有限等关键难题，为复杂力学超材料的高效智能设计提供了新方法。
核心创新：物理机理与深度学习深度融合，实现高精度、高效率的扩展逆向设计。该工作提出基于物理信息启发的混合正向预测器（PIHP）架构，将物理模型与神经网络残差学习有机融合，通过物理结构骨架与数据驱动学习的解耦，实现了物理机理与深度学习优势互补。具体而言，以简化非线性物理模型作为基线预测，引入深度残差卷积神经网络学习复杂局部非线性力学行为，在保证物理一致性的同时显著提升预测精度和泛化能力，有效克服了传统纯数据驱动模型物理可解释性不足、数据依赖性强等局限。得益于物理先验的有效约束，所提出模型仅利用约10%的训练数据即可实现与传统方法相比两个数量级的误差降低，为兼顾高保真预测与高数据效率提供了新的技术路径。
图2.基于物理信息的专家混合框架实现可编程拉伸超材料扩展逆向设计示意图
此外，该工作构建了面向可编程拉伸超材料的端到端可微闭环生成框架。框架前端利用物理特征对复杂设计空间进行分解，将全局优化问题划分为多个局部子域；中间通过多专家网络实现离散拓扑结构的高效生成与可微映射；后端则以混合正向预测器作为代理模型，对生成结果进行闭环验证与梯度优化。整个框架实现了从目标力学曲线解析、专家网络协同决策到连续微观结构拓扑生成的全流程闭环设计，使物理规律、专家模型的分布式优化能力以及对未知高刚度设计空间的扩展能力实现有机融合，显著提升了复杂拉伸超材料逆向设计的效率、精度与可扩展性。
供稿人：吕之阳
审核人：刘晓军
