清華大學溫鵬團隊: 機器學習超材料設計方法用于3D打印多孔骨植入物

來源： 化學與材料科學

清華大學機械系溫鵬副教授團隊提出了一種基于生成式設計-多目標主動學習循環(huán)（GAD-MALL）算法的超材料設計方法，成功用于3D打印多孔金屬骨植入物的結構設計和性能優(yōu)化，為突破超材料設計時面臨的高維度、少樣本難題提供了通用的可行途徑。

多孔結構超材料廣泛存在于自然界中，如蝴蝶翅膀和人體骨骼，展現出優(yōu)于基質材料的力學和生物學性能，被廣泛應用于輕質結構、組織工程、聲學和電學等領域。3D打印使得高精度復雜多孔結構的低成本高效制造成為了可能，然而，超材料的結構設計空間十分龐大，結構與性能的映射關系復雜，如何發(fā)揮3D打印的結構功能化優(yōu)勢成為科學難題。基于機器學習的設計方法能夠實現無先驗知識條件下的高效設計，但目前發(fā)表的工作多集中于二維結構，僅適用于低維或單目標優(yōu)化問題。工程中廣泛應用的三維結構通常涉及高維多目標優(yōu)化，具有數據稀疏性、龐大搜索空間和嚴格外部約束等特點。例如，用于骨缺損填充修復的多孔骨植入物需要具有和骨組織匹配的變形響應和足夠的壓縮強度，同時具有良好的生物活性和促成骨特性；而對于一個具有3*3*3個結構單元的多孔結構，如果每個單元的孔隙率有7個變量，那么理論上就有727種設計可能，因此需要一種高效的優(yōu)化設計方法實現多目標性能優(yōu)化和精準治療目的。

研究團隊創(chuàng)新地提出了一種生成模型、三維卷積神經網絡和數值模擬相融合的主動學習循環(huán)（GAD-MALL）算法用于超材料多孔結構設計。首先，基于生成式模型中的自編碼器對18000余個多孔結構進行無監(jiān)督學習，通過編碼器-解碼器神經網絡學習高維數據中的有效信息，將高維設計空間轉換至低維并展示在模型的潛在空間中；接著，通過高斯混合模型在潛在空間中進行采樣，利用解碼器對采樣信息進行解碼得到采樣結構；進一步，利用三維卷積神經網絡對采樣結構的性能進行預測，利用數值模擬方法對預測性能最優(yōu)的結構進行物理分析，校準預測結果并更新采樣數據庫；然后，基于更新后的三維卷積神經網絡對新一輪采樣結構進行預測，并迭代優(yōu)化多目標性能；最終，將優(yōu)化后的結構進行3D打印和物理測試，并與傳統(tǒng)方案進行對比，直至實現預期的優(yōu)化效果。這種學習方法能夠在數據稀疏場景下有效解決高維多目標優(yōu)化難題，為AI賦能材料和結構設計提供了一種高效范式。

圖1.生成式設計-多目標主動學習循環(huán)（GAD-MALL）算法及設計流程

研究團隊成功地將這種方法應用于鈦合金和可降解鋅金屬骨缺損修復多孔植入物的優(yōu)化設計和3D打印，生成的多孔植入物在快速匹配骨骼解剖形態(tài)和彈性模量的同時，保持良好的孔隙連通性和可制造性，展現出比均質結構和拓撲優(yōu)化結構更高的屈服強度和更均勻的應力分布。目前團隊和北醫(yī)三院骨科合作，在國際上率先實現了3D打印可降解金屬多孔植入物的臨床應用，成功完成圍關節(jié)骨折骨缺損修復30余例，未來將會采用AI賦能的定制化方法，對3D打印多孔植入物的材料和結構進一步優(yōu)化，實現骨缺損修復的精準治療。

圖2.GAD-MALL設計和3D打印的可降解金屬多孔植入物及其力學性能

上述研究成果近日以“ Machine learning-enabled constrained multi-objective design of architected materials”為題，發(fā)表于Nature Communications期刊。清華大學機械系2021級博士生彭勃、交叉信息研究院博士后韋業(yè)（現為洛桑聯邦理工學院博士后）和機械系2017級博士生秦瑜（現為北京大學博士后）為文章的共同第一作者，韋業(yè)、秦瑜和溫鵬為文章共同通訊作者。北醫(yī)三院田耘教授，北京大學鄭玉峰教授，德國馬普鋼鐵研究所韓六六博士、李躍博士等參加了論文討論。該研究得到國家重點研發(fā)計劃、國家自然科學基金、清華大學-豐田聯合研究基金、清華大學精準醫(yī)學科研計劃、水木學者等項目的資助。

原文鏈接：https://www.nature.com/articles/s41467-023-42415-y