晶格结构以其复杂的图案和层次化设计为特征，由于其多功能性和可定制性，具有巨大的潜力，可以彻底改变从航空航天到生物医学工程等行业。然而，这些结构的复杂性及其所包含的广阔设计空间给工程师和科学家带来了重大障碍，而传统的设计探索和优化方法在面对晶格设计领域中众多的可能性时往往显得力不从心。

劳伦斯利弗莫尔国家实验室 (LLNL) 的科学家和工程师希望通过结合机器学习 (ML) 和人工智能来解决这些长期存在的挑战，以加速具有低重量和高强度等特性的晶格结构的设计，并以前所未有的速度和效率进行优化。

在《科学报告》最近发表的一项研究中，LLNL 研究人员将基于 ML 的方法与传统计算技术融合在一起，希望开创晶格设计的新时代。通过利用 ML 算法的强大功能，研究人员能够预测机械性能、优化设计变量并加快拥有数百万种潜在设计选项的晶格的计算设计过程。

“通过在设计工作流程中利用基于机器学习的方法，我们可以加速设计过程，真正利用晶格结构所提供的设计自由，并利用其多样化的机械性能，”主要作者兼 LLNL 工程师 Aldair Gongora 说。

“这项工作推动了设计领域的发展，因为它展示了在设计工作流程中集成基于迭代机器学习的方法的可行方法，并强调了机器学习和人工智能(AI)在加速设计过程中可以发挥的关键作用。”

这项新研究的核心是开发基于 ML 的替代模型，作为探索晶格结构机械行为的虚拟原型。Gongora 表示，这些替代模型经过大量数据训练，结合了各种晶格系列和几何设计变量，表现出卓越的预测能力，可以提供有关设计参数以及几何和结构对机械性能的作用的宝贵见解，准确率超过 95%。

此外，通过在设计循环中加入基于机器学习的方法，团队证明，通过探索不到 1% 的理论设计空间大小可以加快最佳设计，他说。