Conference

Data-Efficient Discovery of Hyperelastic TPMS Metamaterials with Extreme Energy Dissipation

Maxine Perroni-Scharf, Zachary Ferguson, Thomas Butruille, Carlos M. Portela, Mina Konaković Luković

MIT

SIGGRAPH 2025Geometry & ModelingTPMSMetamaterialBayesian OptimizationDeep EnsembleEnergy Dissipation3D Printing
PaperProject

一句话总结

在”微观 3D 打印 + 物理测试”数据极其昂贵、且仿真不可靠的前提下，用不确定性感知的深度集成（Deep Ensembles）作为代理模型、以批量贝叶斯优化迭代选样，只花十次打印就发现了能量耗散能力达到已知最佳 TPMS 原型两倍的全新超弹性微观超材料结构。

研究背景

  • 领域现状：超材料（人工设计的三维微结构）能实现单体材料无法达到的力学、声学、电磁性质，近年来图形学与机器学习大量介入其逆向设计。三周期极小曲面（TPMS）是其中一类可平铺、把空间分为两个连续区域的极小曲面结构，因高比表面积、轻量、应力分布均匀而广泛用于冲击吸能、组织工程等场景。
  • 核心痛点：现有基于神经网络的超材料设计几乎都靠仿真数据训练。但在微观、超弹性、大变形（压缩到 60%）这种由接触、屈曲等强非线性主导的场景下，仿真与真实存在巨大的”sim-to-real”鸿沟——摩擦系数、几何公差、材料参数难以标定，仿真曲线和实测对不上。而真正引入真实数据的研究，又普遍没有解决”如何高效地决定接下来打印测试哪些结构”这一数据采集难题。
  • 本文 idea：干脆抛弃仿真，只用 3D 打印并物理测试的数据。用一个能给出预测不确定性的代理模型，在探索（提升模型精度）与利用（逼近高能量耗散目标）之间权衡，通过批量贝叶斯优化一批批地挑选最该打印测试的结构，用有限实验数据快速逼近极值结构。

方法

整体框架：从 8 个经典 TPMS 原型出发，用它们的隐式函数做重心坐标插值，构造出一个由 8 维权重参数化的连续 TPMS 设计空间；对空间中的结构进行两光子光刻打印和单轴压缩测试，得到应力-应变曲线并计算能量耗散；用 30 个独立 MLP 组成的深度集成拟合”参数到曲线”的映射并给出不确定性；再用 UCB 采集函数从百万候选中挑下一批约 25 个结构去打印测试，如此迭代十轮。

flowchart LR
  A[8个TPMS原型隐式函数] --> B[重心坐标插值<br/>8维参数设计空间]
  B --> C[两光子光刻打印<br/>+单轴压缩测试]
  C --> D[应力-应变曲线<br/>算能量耗散]
  D --> E[训练深度集成<br/>均值+不确定性]
  E --> F[UCB采集函数<br/>探索/利用权衡]
  F --> G[选下一批约25个结构]
  G --> C

关键设计：

  1. 参数化 TPMS 设计空间：把 8 个 TPMS 原型各自的隐式函数 \(f_i\) 加权求和得到新结构的隐式函数 \(F(x,y,z)=\sum_{i=1}^{8} w_i f_i(x,y,z)\)，权重 \(w_i\) 就是 8 维设计参数。为了给曲面赋予厚度又保证壁厚均匀，作者没有直接对 \(F\) 加固定偏移，而是用梯度模长归一化的偏移 \(\left(F+\tfrac{1}{2}\tfrac{t}{\|\nabla F\|}\right)\left(F-\tfrac{1}{2}\tfrac{t}{\|\nabla F\|}\right)=0\) 得到空间上均匀的壁厚。结构用 CGAL 直接生成四面体网格，丢弃产生空腔或孤立材料块的参数组合。

  2. 深度集成代理模型：每个成员是一个双头 MLP（改自已有的应力-应变预测架构）——一头输入 8 维 TPMS 参数，一头输入均匀采样的应变值数组，输出对应的应力曲线，再由加载/卸载曲线间的面积算出能量耗散。之所以把应变也作为输入而非固定量，是因为各样本实际最大应变略有差异，这样能避免对”多压了一点”的结构产生偏好。集成含 30 个独立训练的网络，预测取均值 \(\mu_S=\tfrac{1}{N}\sum_i M_i(w,E)\)，不确定性取方差 \(\sigma_S=\tfrac{1}{N-1}\sum_i\big(M_i(w,E)-\mu_S\big)^2\)。因为数据极少，模型刻意保持”无归纳偏置”，并用 dropout、batch normalization、早停来抑制过拟合。

  3. 批量贝叶斯优化 + UCB 采集：先均匀采一批（不含原型，避免偏置）作为初始训练集，之后每轮从 Dirichlet 分布（\(\alpha=1\)，保证参数和为 1 且在 8 维单纯形上均匀）采样一百万个候选参数，用代理模型预测能量耗散均值与方差，按 UCB 打分 \(\mathrm{UCB}(w)=\mu(w)+\kappa\,\sigma(w)\) 选出前 40、再打印测试约 25 个。

  4. 探索-利用调度与去聚集：权衡系数 \(\kappa\) 随批次从大到小——前几批用 \(\kappa=2\) 鼓励探索，逐步降到 1、0.75、0.5，最后几批降到 0 专注最大化能量耗散。同时引入局部化惩罚：在已选点周围设半径 \(r=0.2\) 的球，落入其中的候选被禁止，避免选到的样本挤成一团（这个半径远大于理论建议的约 0.01，因为批量大、批次少需要更强的去聚集）。

实验结果

十轮打印（每轮约 3 小时、约 25 个结构）后，能量耗散（加载与卸载曲线间面积，单位 kJ/m³）随批次系统性上升。下表摘取原文按批次统计的能量耗散，可见从初始均匀采样批到最终优化批的显著提升，以及对最佳原型 Fischer-Koch（基线 165.96 kJ/m³）的超越：

批次 最小值 最大值 均值 中位数
原型（基线） 6.80 165.96 54.13 15.51
1（初始均匀采样） 5.81 45.77 18.81 17.92
3 13.14 218.99 63.70 41.25
6 49.78 312.94 138.91 123.70
10 92.74 435.98 232.39 239.55

关键结论：最终优化批的均值能量耗散（232.39 kJ/m³）约为初始均匀采样批（18.81 kJ/m³）的 20 倍；最高能量耗散结构达 435.98 kJ/m³，是最佳原型 Fischer-Koch 的两倍多。最终数据集共 274 个物理验证结构，其中 70 个超过最佳原型。主成分分析显示，高能量耗散结构大多含较高比例的第 6、8 号原型（常形似 Fischer-Koch 但掺入其他原型成分），而第 1、4、5 号原型主导的结构普遍较低。作者还展示了膝盖护垫、骨支架、扫地机器人缓冲件三个潜在应用。

亮点与局限

  • 亮点：
    • 直面并绕开 sim-to-real 鸿沟——论文明确验证了微观超弹性 TPMS 的仿真难以标定，转而完全用真实打印测试数据闭环优化，这在图形学超材料设计中较少见。
    • 数据效率高：仅十批、约 274 个样本就把能量耗散推到原型两倍、随机采样均值的约二十倍，且用深度集成替代高斯过程以更好处理复杂非凸性能空间。
    • 产出首个物理验证的微观超弹性 TPMS 开源数据集，附带连续可插值的参数化设计空间，便于下游做空间渐变的功能梯度结构。
  • 局限：
    • 4×4×2 的小晶格可能漏掉更大、非均匀晶格中的非周期屈曲等行为。
    • 所用 IP-PDMS 光刻胶虽超弹性，但缺乏塑性、断裂等耗能机制，耗能不及金属或陶瓷，向冲击缓解等真实工况迁移仍待验证。
    • 只优化了单一目标（能量耗散），且未深入揭示耗散机制的物理本质，也未验证跨尺度的可复现性。

延伸思考

  • 这套”代理模型 + 批量贝叶斯优化 + 真实实验闭环”的范式并不局限于 TPMS，可推广到其他超材料类别与多目标（如同时兼顾峰值应力、可恢复性、可制造性），与近年碳纳米点阵、spinodal 结构的数据驱动发现工作可以互补。
  • 值得追问的是：当把无归纳偏置的通用模型换成含物理先验（如可微仿真、能量守恒约束）的混合模型时，能否在同样的实验预算下更快收敛？以及局部化惩罚半径、批大小、\(\kappa\) 调度这些超参对最终发现质量的敏感性有多大。
  • 对图形学而言，连续可插值的隐式 TPMS 设计空间 + 均匀壁厚的梯度归一化技巧，本身就是一个可复用的几何建模/功能梯度材料的工具，能与空间变化材质、拓扑优化等结合。