2021 年，美国骨科及医疗科技公司史赛克（Stryker）由于骨植入物强度不够而被召回相关产品，引起领域内的高度关注。那么，这种现象是否有可能从源头被解决呢？

清华大学温鹏副教授团队以解决实际应用问题为出发点，提出一种数据高效的新方法：生成式设计-多目标主动学习循环方法。他们从三维神经网络组成的机器学习和有限元法的角度出发，通过调整三维打印构造材料结构中的参数，在实现材料性能更佳的同时，提升材料的力学性能，且不额外增加材料的重量。

与均匀设计相比，这种无经验方法设计具有生物相容性弹性模量和更高强度的微尺度异构结构。该方法为结构超材料设计提供了一种多目标优化的设计工具，能够在机械、热力学、磁学等性能上获得最佳响应。

图丨相关论文（来源：Nature Communications）

近日，相关论文以《机器学习多目标超材料设计》（Machine learning-enabled constrained multi-objective design of architected materials）为题发表于 Nature Communications[1]。

清华大学博士生彭勃、韦业博士（现瑞士洛桑联邦理工学院博士后）与北京大学博士后秦瑜为该论文的共同第一作者，韦业、秦瑜与温鹏副教授为该论文的共同通讯作者。

图丨韦业（来源：韦业）

韦业博士期间曾在 Science 发表论文，提出一种基于实验数据，针对单目标高熵合金设计进行优化的主动学习策略[2]。而这次新的研究在前期基础上，实现了针对多目标的优化。与上次研究不同的是，这次相关数据量和实验数据非常少。因此，研究人员提出，是否能够将机器学习和模拟结合，并利用三地打印技术验证 AI 设计的结果，进而形成工作流程的闭环？

基于制造方面参数、工艺、材料的可调性，锁定一款特定的工艺和其对应的材料非常关键。韦业指出，这个问题的难点在于保证模拟的真实性。为此，他们大约用了半年的时间，通过系列实验试图达到仿真模拟的精度要求。

但实际上，精度和计算是一个“鱼和熊掌不可兼得”的命题，通常精度越高计算就越慢。课题组成员在进行大量尝试后，发现实验与计算大概在 10% 左右时，计算速度和结构状态都相对比较理想。

“有意思的是，我们在研究初期，希望得到海量数据而未成功，但后来才发现，精度比数据量更重要，这也启示大家不要盲目追求更多的数据。”韦业说。

图丨生成式架构设计-多目标主动学习循环（来源：Nature Communications）

另一方面，由于骨植入物大规模模拟速度非常慢，因此，他们想办法将小规模模拟验证的结构应用在大的骨骼支架上。他表示，“为解决该问题，我们用了一种‘简单粗暴’的方式，将用机器学习设计的结构进行叠加，结果发现叠加后的结构性能符合要求。”

需要了解的是，在设计骨植入物材料时，力学性能的弹性模量需要与骨头保持一致，即力学强度一致。与传统方法相比，这种新型设计方案在没有增加质量的前提下，将屈服强度提升了 20%-24%。

韦业认为，很多物理、化学、生物领域中材料设计或分子设计的问题，从某种程度上来看，都可以尝试从数学领域的优化角度来解决，该研究也为解决相关问题提供了新的思路。

图丨具有优化机械性能的骨科植入物（来源：Nature Communications）

下一步，该团队将致力于在更高维度、更多搜索空间条件下，进行类似于 AlphaGo 的搜索策略创新。据了解，相关研究已经在进行中，并初步取得了较好的效果。

创新的设计思路和成果离不开韦业的物理、计算机等多学科交叉研究背景。他博士毕业于德国马克斯普朗克研究所，之后在清华大学交叉信息学院从事计算机方向的博后研究。目前，他在洛桑联邦理工学院从事博士后研究，专注于人工智能驱动的高维度多目标优化方法，以及相关方法在材料和生物科学领域的应用（AI for Science）。

韦业认为，AI for Science 很重要的关键点是“定义一个好的问题”，并能够定义在合适的、能解决的框架。“从我的角度来看 AI for Science，其中 Science 占的比重更大，例如如何解决数据的收集问题、精度问题，以及如何实现相关问题等。”

据悉，韦业即将在结束博后研究后寻找教职工作。他计划深入探索并建立一种简单的标准，来判断模型和数据集是否匹配。此外，机器学习领域每天都会更新上百种不同的理论和方法，寻找能够在众多模型中快速判别适合的应用模型，也是他未来努力的方向。

参考资料：

1.Peng, B., Wei, Y., Qin, Y. et al. Machine learning-enabled constrained multi-objective design of architected materials. Nature Communications 14, 6630 (2023). 

2.Rao,Z., et al. Machine learning–enabled high-entropy alloy discovery

Science 378, 6615,78-85(2022).