طراحی معکوس ابرمواد مکانیکی قابل برنامه ریزی با رویکرد یادگیری عمیق: از معماری هندسی تا پاسخ های چندپایدار

آیا می توان ماده ای ساخت که خواص مکانیکی آن – مانند سفتی، ضریب پواسون، و ظرفیت جذب انرژی – نه از ترکیب شیمیایی، بلکه صرفا با بازچینش ریزساختار هندسی خود، به صورت پویا و بر اساس دستور کاربر تغییر کند؟ این پرسش بنیادین، محور اصلی مقاله حاضر است. پاسخ در قلمرو نوظهور «ابرمواد مکانیکی قابل برنامه ریزی» نهفته است؛ موادی که در آن ها رفتار ماکروسکوپیک از هندسه تناوبی واحدهای سازنده در مقیاس مزو نشئت می گیرد. با این حال، رویکردهای کلاسیک طراحی (از هندسه به خواص) زمان بر و محدود به فضای طراحی کوچک هستند. این مقاله با معرفی رویکرد طراحی معکوس مبتنی بر یادگیری عمیق نشان می دهد که چگونه می توان از خواص مطلوب مکانیکی آغاز کرد و به معماری ساختاری بهینه دست یافت. با استفاده از شبکه های زاینده تخاصمی شرطی (cGAN) و پایگاه داده ای از ۵۰,۰۰۰ ریزساختار تصادفی ورونوی، دقت طراحی معکوس به بیش از ۹۱٪ و خطای تنظیم خواص چندگانه به کمتر از ۵٪ می رسد. یافته های این پژوهش نشان می دهد هم گرایی روش های داده محور و ساخت افزایشی دقیق، مرز میان مواد منفعل و سامانه های هوشمند را برای همیشه جابه جا خواهد کرد.

کلیدواژه ها:

ابرماده مکانیکی قابل برنامه ریزی ، طراحی معکوس ، یادگیری عمیق ، چندپایداری ، سفتی شبه صفر ، معماری ساختاری