用于板格子超材料发现的实验机械师

为何更聪明的材料很重要

从跑鞋到飞机，工程师一直在寻找既坚固又轻质的材料。一类由重复三维图案构成的“格子”材料可以优于实心金属或塑料，但调整其复杂几何形状通常依赖缓慢的试错法。本文介绍了一个自动化实验室系统，它像一位不知疲倦的工程师一样工作：自主设计、3D 打印、测试并从数百个微小格子中学习，以发现既能承重又极其轻巧的结构。

能自行运行实验的机器人

这项工作的核心是作者称之为“实验机械师”（experimental mechanician，简称 ExMech）的系统。它占据一个专用实验空间，连接九个工作站：若干台 3D 打印机、清洗和烘干站、称重与测试设备，以及在它们之间运输样品的机械臂。用 Python 编写的软件协调所有环节。在每个循环中，系统自动设计格子样品的数字模型，使用光敏树脂打印，清洗并烘干，称重以确定孔隙率，然后在专用试验机上进行压缩和剪切测试，以测量样品破坏前能承受的力。

以学习回路代替盲目试错

使 ExMech 不同于生产线的是它决定下步测试对象的方式。每批测量后，一个称为高斯过程回归的机器学习模型会被更新，用来预测设计选择如何同时影响三个目标：抗压强度、抗剪强度和轻量性。随后，一个“主动学习”程序在成千上万种板厚、孔径和杆径的组合中搜索，并挑选最有可能改善这些目标平衡的方案。这种方法将实验集中在最佳折衷附近，而不是把精力分散到表现不佳的设计上。

寻找最佳折衷

团队将 ExMech 应用于一类所谓的板–桁架混合格子，它将实心板与细杆结合。这类混合体理论上可以在相同重量下超过传统的仅杆格子，但设计空间极为庞大。相比于细网格搜索需要的 55,000 多次机械测试，ExMech 仅用约 150 次测试就锁定了最佳“帕累托前沿”解——工作量减少约 370 倍。沿着这条前沿，无法在不牺牲至少另一个目标的情况下改善任一目标。在这组解中，有些设计在不增加重量的情况下使抗压和抗剪强度同时提高约 15%；另一些则在重量仅增加约 13% 的情况下将两项强度提高一倍多。

窥见格子如何发挥作用

由于系统记录了每个变量和结果，研究者能够剖析某些格子表现良好的原因。他们使用一种在可解释 AI 中广泛应用的技术——SHAP，来评估每个几何变量对各项性能的影响程度。分析显示板厚和杆径通常会增强强度，而更大的孔洞会降低强度但减轻材料重量。然而，这些关系高度非线性：相似的孔径在不同的板厚和杆径组合下可能产生截然不同的效果。机械测试和视频观察表明，低密度格子倾向于通过温和的屈曲和逐步塌陷而失效，而密实格子则更容易发生脆性断裂而突然失效。团队识别出一个关键的“杆–板协同”现象：杆支撑板以防止侧向展开，板则有助于让更多杆承担载荷，因此如果任一元素太弱，性能会急剧下降。

从实验样品到真实中底

为展示实际影响，作者用两种发现的格子结构打印了具有比典型商业泡沫更高孔隙率的 3D 打印鞋中底，使其非常轻巧。一种中底设计偏重抗剪，另一种偏重抗压。在倾斜角度下进行垂直和侧向组合载荷测试时，两种设计的失效方式截然不同——一种表现为更对称的屈曲，另一种沿对角带滑移——这说明映射出的折衷曲面可以指导设计师根据特定载荷模式选择合适的结构。

对未来的意义

简而言之，这项研究表明由机器人驱动、AI 指导的实验室能够快速发现用于未来产品的新型轻质且坚固的构件。通过自动探索微小几何变化如何改变强度与重量，ExMech 揭示了板–桁架格子中的微妙增强效应，并将巨大的设计空间转化为可导航的地图。同样的自优化方法可加速其他许多“超材料”的开发，帮助工程师从鞋类到航空部件设计出更安全、更轻、更高效的结构。

引用: Hu, S., Li, H., Lu, W. et al. Experimental mechanician for plate lattice metamaterial discovery. Nat Commun 17, 3933 (2026). https://doi.org/10.1038/s41467-026-70675-x

关键词: 机械超材料, 晶格结构, 自驱动实验室, 多目标优化, 3D 打印中底