🔬 applied physics

Machine learning-enabled inverse design of bimaterial thermoelastic lattice metamaterials

تقدم هذه الورقة إطار عمل للتعلم الآلي يجمع بين المحاكاة عالية الإنتاجية ونماذج الشبكات العصبية الأمامية والعكسية لتصميم مواد معدنية ذات هياكل خلوية هجينة ثنائية المواد بكفاءة، وتكون قادرة على إظهار معاملات نسبة بواسون سالبة ومعاملات تمدد حراري سالبة في آن واحد.

المؤلفون الأصليون: Xiang-Long Peng, Bai-Xiang Xu

نُشر 2026-02-25

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Xiang-Long Peng, Bai-Xiang Xu

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك مهندس معماري يحاول بناء مادة بناء خاصة. هذه المادة تمتلك قوتين خارقتين:

تتقلص عند تسخينها (مثل المطاط الذي يرتد للخلف، ولكن عكس ما يحدث لمعظم الأشياء التي تتمدد بالحرارة).
تنتفخ عندما تسحبها (إذا قمت بمدها طولياً، فإنها تبرز عرضياً بدلاً من أن تصبح أرق).

يطلق العلماء على هذه المادة اسم "المادة الهجينة ذات الهيكل سداسي الأضلاع ثنائية المادة" (bimaterial hybrid-honeycomb metamaterial). وهي مكونة من مادتين مختلفتين مرتبتين في نمط خلية نحل. المشكلة هي أن تصميم الشكل المثالي للحصول على هاتين القوتين الخارقتين أمر صعب للغاية؛ فالأمر يشبه محاولة تخمين الوصفة الدقيقة لكعكة بمجرد تذوق المنتج النهائي، ولكن مع وجود الملايين من المكونات وإعدادات الفرن المحتملة.

هذه الورقة البحثية تدور حول تعليم الكمبيوتر كيف يكون "طباخ الهندسة العكسية" الأمثل.

المشكلة: لغز "الأمام" مقابل "الخلف"

عادةً، إذا كان لديك وصفة (الشكل والمواد)، يمكنك بسهولة التنبؤ بما سيكون عليه طعم الكعكة (الخصائص). وهذا ما يسمى التصميم الأمامي (Forward Design).

تشبيه: أنت تعرف المكونات، لذا تعرف الطعم. هذا سهل.

ولكن في الهندسة، غالباً ما نبدأ بالطعم الذي نريده (على سبيل المثال: "أحتاج إلى مادة تتقلص بنسبة 5% بالضبط عند تسخينها") ثم نحتاج إلى معرفة الوصفة. وهذا ما يسمى التصميم العكسي (Inverse Design).

تشبيه: تريد كعكة بطعم الشوكولاتة والفراولة، لكنك لا تعرف أي مكونات أو وقت خبز يجب استخدامه. وقد تكون هناك مليون طريقة مختلفة لصنع تلك الكعكة، والبحث عن الطريقة الصحيحة عن طريق التجربة والخطأ يستغرق وقتاً طويلاً جداً.

الحل: "المعلم الذكي" (تعلم الآلة)

بنى المؤلفون نظام ذكاء اصطناعي يتكون من جزئين لحل هذا اللغز.

الخطوة 1: "متذوق الطعم" (النموذج الأمامي)

أولاً، قاموا بإنشاء مكتبة ضخمة تضم 100,000 شكل مختلف لخلية النحل. استخدموا محاكاة حاسوبية فائقة السرعة لـ "خبز" كل شكل منها وتسجيل خصائصه.
بعد ذلك، قاموا بتدريب شبكة عصبية (نوع من أنواع الذكاء الاصطناعي) على هذه البيانات.

ماذا تفعل: تخبر الذكاء الاصطناعي: "هذا هو الشكل"، فيقول لك فوراً: "هذا الشكل سيتقلص بنسبة 2% وينتفخ بنسبة 1%".
لماذا هي رائعة: إنها سريعة ودقيقة للغاية لدرجة أنها تستبدل ساعات من الحسابات الرياضية المعقدة بتخمين في جزء من الثانية. الأمر يشبه امتلاك طباخ يمكنه تذوق العجينة الخام ومعرفة طعم الكعكة النهائية بدقة فورية.

الخطوة 2: "مولد الوصفات" (النموذج العكسي)

هذا هو الجزء السحري. الآن بعد أن عرف الذكاء الاصطناعي كيف تتحول الأشكال إلى خصائص، قاموا بتدريب ذكاء اصطناعي ثانٍ للقيام بالعكس.

ماذا يفعل: تخبر الذكاء الاصطنانا: "أحتاج إلى مادة تتقلص بنسبة 2% وتنتفخ بنسبة 1%". ينظر الذكاء الاصطناعي إلى "ذاكرة التذوق" الداخلية لديه ويخرج لك الوصفة الدقيقة: "استخدم هذه الزوايا، وهذا السمك، وهذين المعدنين المحددين".
الحيلة: بما أن العديد من الوصفات المختلفة يمكن أن تعطي نفس الطعم، فقد تم تدريب الذكاء الاصطناعي على إيجاد وصفة واحدة موثوقة تعمل، بدلاً من الارتباك بسبب الملايين من الاحتمالات.

السيناريوهات الواقعية

اختبر الباحثون هذا النظام في أربعة مواقف مختلفة من "المطبخ" للتأكد من أنه يعمل في العالم الحقيقي:

الطباخ الذي "لا يمانع أي شيء": تعطي الذكاء الاصطناعي أي مجموعة من الخصائص، وهو يخترع شكلاً جديداً تماماً ويختار أي مادتين يريدهما.
الطباخ ذو "الطلب الجزئي": أنت تهتم بشيئين محددين فقط (على سبيل المثال: "أنا أحتاج فقط لأن تتقلص المادة وتنتفخ؛ لا يهمني الباقي"). يجد الذكاء الاصطنانا شكلاً يحقق هذين الهدفين بدقة.
الطباخ ذو "المكونات الثابتة": في العالم الحقيقي، لا يمكنك دائماً ابتكار مواد جديدة. ربما يتوفر لديك الألمنيوم وسبائك فولاذية خاصة فقط. تم تدريب الذكاء الاصطناعي للعمل فقط مع هاتين المادتين، لإيجاد الشكل المثالي لجعل سلوكهما مثل المادة الخارقة.
الطباخ ذو "الهدف المحدد": أنت تهتم بخاصيتين فقط، ولديك مادتان فقط. يجد الذكاء الاصطناعي الشكل المثالي لهذا المزيج المحدد.

النتائج: لماذا هذا مهم؟

لم يقم الذكاء الاصطناعي بالتخمين فحسب؛ بل كان دقيقاً للغاية.

عندما طُلب منه تصميم مادة بمعدلات تقلص وانتفاخ محددة، كانت تصاميم الذكاء الاصطناعي ضمن نطاق 3-6% من الهدف.
كما استطاع أيضاً الإجابة على أسئلة صعبة مثل: "ما هو أقصى قدر يمكن أن تتقلص به هذه المادة إذا ثبتنا الخصائص الأخرى؟" وقد وجد الحدود لما هو ممكن فيزيائياً.

الصورة الكبيرة

فكر في هذا البحث كمنح المهندسين نظام تحديد مواقع (GPS) لتصميم المواد.
في السابق، كان العثور على مادة بهذه الخصائص الغريبة يشبه التسكع في غابة مظلمة، والاصطدام بالأشجار (التصاميم الفاشلة) لسنوات. الآن، مع أداة تعلم الآلة هذه، يمكن للمهندسين ببساال كتابة وجهتهم ("أحتاج إلى مادة تتقلص وتنتفخ لأجزاء في الأقمار الصناعية")، وسيقوم الذكاء الاصطناعي فوراً برسم الخريطة وإخبارهم بكيفية بنائها بالضبط.

هذا يعني أنه يمكننا قريباً بناء أجزاء فضائية أفضل، وأدوات دقيقة، وهياكل تتكيف مع درجة الحرارة ولا تنكسر تحت الضغط الحراري، وكل ذلك بتصميم من كمبيوتر ذكي في ثوانٍ بدلاً من سنوات.

إليك ملخص تقني مفصل لورقة البحث بعنوان "التصميم العكسي للمواد الميتا-تيرموإيلاستيكية الشبكية ثنائية المادة المدعوم بالتعلم الآلي" للباحثين شيانغ-لونغ بنغ وباي-شيانغ شو.

1. بيان المشكلة

تقدم المواد الميتا-تيرموإيلاستيكية (Thermoelastic metamaterials)، وخاصة تلك القائمة على هياكل قرص العسل الهجينة ثنائية المادة، قدرات فريدة مثل التمدد الحراري السلبي (NTE) ونسب بواسون السالبة (الخواص الأوكسيتيكية/Auxeticity). هذه الخصائص مرغوبة بشدة في الأدوات الدقيقة وأنظمة الهندسة المتكيفة مع درجة الحرارة. ومع ذلك، فإن تصميم هذه المواد يواجه تحديين رئيسيين:

تعقيد التنبؤ الأمامي: يتطلب التنبؤ الدقيق بالخصائص التيرموإيلاستيكية الفعالة (معامل يونج، نسبة بواسون، التمدد الحراري) لبنية مجهرية معقدة معينة عمليات محاكاة العناصر المحدودة (FE) مكلفة حاسوبياً، كما يتضمن إيجاد علاقات غير خطية بين متغيرات التصميم والخصائص.
صعوبة التصميم العكسي: إن تحديد المعايير الهندسية والمادية المحددة المطلوبة لتحقيق مجموعة مستهدفة من الخصائص هو مسألة تحسين غير بديهية؛ فهي غالباً ما تكون "سيئة التحديد" (وجود حلول غير فريدة) وتتطلب خوارزميات متطورة بطيئة وصعبة التنفيذ في التطبيقات الهندسية العملية.

يهدف المؤلفون إلى التغلب على هذه العقبات من خلال تطوير إطار عمل مدعوم بالتعلم الآلي (ML) يسهل كلاً من التنبؤ الأمامي السريع والتصميم العكسي الفعال للشبكات الهجينة ثنائية المادة.

2. المنهجية

يدمج إطار العمل المقترح التجانس الحسابي (Computational Homogenization) مع الشبكات العصبية الاصطناعية (ANNs) في عملية مكونة من مرحلتين:

أ. توليد البيانات

البنية: تم تعريف خلية وحدة ثنائية المادة هجينة (قرص عسل) ثنائية الأبعاد بواسطة ستة متغيرات تصميم:
- هندسية: نسبة الجانب ( $h/w$ )، زوايا الدعامات ( $\theta_1, \theta_2$ )، والكثافة النسبية ( $\rho$ ).
- مادية: نسب معاملات يونج ( $E_I/E_N$ ) ومعاملات التمدد الحراري ( $\alpha_I/\alpha_N$ ) بين الدعامات المائلة وغير المائلة.
المحاكاة: تم إنشاء مجموعة بيانات ضخمة مكونة من $10^5$ من الهياكل عن طريق أخذ عينات عشوائية لهذه المتغيرات ضمن نطاقات قابلة للتطبيق.
التجانس: تم حساب الخصائص التيرموإيلاستيكية الفعالة باستخدام التجانس الحسابي عبر محاكاة العناصر المحدودة (عناصر عارضة تيموشينكو مع شروط حدودية دورية). نتج عن ذلك مجموعة بيانات تربط السمات الهيكلية ( $S$ ) بالخصائص الفعالة ( $P$ ).

ب. نموذج التنبؤ الأمامي

البنية: تم تدريب شبكة عصبية اصطناعية (ANN) قياسية لرسم الخريطة من السمات الهيكلية ( $S$ ) إلى الخصائص الفعالة ( $P$ ).
المعالجة المسبقة: تم تطبيع المدخلات والمخرجات (scaling min-max)، مع تطبيق تحويلات لوغاريتمية لمدخلات معامل المرونة ونسبة التمدد للتعامل مع النطاقات الديناميكية الواسعة.
الهدف: تقليل متوسط مربع الخطأ (MSE) بين القيم المتوقعة والقيم الحقيقية.

ج. نماذج التصميم العكسي

النهج: استخدم المؤلفون طريقة تصميم عكسي مباشر باستخدام الشبكات العصبية الاصطناعية لرسم الخريطة من الخصائص المستهدفة ( $P$ ) عائدة إلى السمات الهيكلية ( $S$ ).
استراتيجية دالة الخسارة: لمعالجة مشكلة عدم التفرد (حيث توجد تصميمات متعددة تعطي نفس الخصائص)، تم استخدام دالة خسارة مركبة:
$L_{id} = \|F_{fp}(F_{id}(P_i)) - P_i\|^2 + \lambda \|F_{id}(P_i) - S_i\|^2$
- المصطلح الأول هو خسارة إعادة البناء (reconstruction loss): يتم تغذية الهيكل المتوقع مرة أخرى في النموذج الأمامي المدرب ( $F_{fp}$ ) للتحقق مما إذا كان يعيد إنتاج الخصائص المستهدفة.
- المصطلح الثاني هو خسارة التنبؤ (prediction loss): وهو يعاقب الانحراف عن توزيع بيانات التدريب (يكون نشطاً فقط خلال التدريب المبكر مع $\lambda=0.2$ للمساعدة في التقارب، ثم يتم ضبطه على 0).
تكييف السيناريوهات: تم تطوير ستة نماذج عكسية متميزة للتعامل مع قيود عملية مختلفة:
1. مدخل كامل/مخرج كامل: 6 خصائص $\leftarrow$ 6 متغيرات تصميم.
2. مدخل جزئي/مخرج كامل: استهداف خصائص محددة (مثل التمدد الحراري السلبي + الأوكسيتيكية) $\leftarrow$ جميع المتغيرات الستة.
3. مادة ثابتة/مخرج كامل: مواد أساس ثابتة $\leftarrow$ المتغيرات الهندسية فقط.
4. مادة ثابتة/مخرج جزئي: مواد ثابتة + أهداف محددة $\leftarrow$ المتغيرات الهندسية.

3. المساهمات الرئيسية

إطار عمل هجين للتعلم الآلي: تطوير مسار قوي يجمع بين محاكاة العناصر المحدودة عالية الإنتاجية والتعلم العميق لكل من المهام الأمامية والعكسية.
آلية خسارة إعادة البناء: التنفيذ المحدد للنموذج الأمامي داخل دالة خسارة النموذج العكسي يحل مشكلة عدم التفرد بفعالية دون الحاجة إلى نماذج توليدية، مما يضمن أن الهيكل المصمم يمتلك بالفعل الخصائص المستهدفة.
نماذج عكسية متعددة الاستخدامات: إنشاء ستة نماذج متخصصة تغطي سيناريوهات هندسية متنوعة، بما في ذلك الحالات التي تكون فيها المواد الأساسية مختارة مسبقاً (ثابتة) وحالات يكون فيها جزء فقط من الخصائص المستهدفة محدداً.
قدرة التحسين الشرطي: يتيح إطار العمل تحديد حدود الخصائص القابلة للتحقيق (الحد الأدنى/الأقصى) لمعامل ثابت، مما يعمل كأداة قوية للتحسين المقيد.

4. النتائج

أداء التنبؤ الأمامي: حقق نموذج التعلم الآلي الأمامي دقة عالية مع معاملات تحديد ( $R^2$ ) تزيد عن 0.994 لجميع الثوابت الستة للتيرموإيلاستيك الفعالة، مما أظهر توافقاً شبه تام مع محاكاة العناصر المحدودة.
دقة التصميم العكسي:
- في الحالة 1 (التصميم الكامل)، نجحت النماذج في التنبؤ بهياكل تطابق الخصائص المستهدفة مع أخطاء نسبية تتراوح بين 3.4% و6.4%.
- في الحالات 2-4 (أهداف جزئية أو مواد ثابتة)، حافظت النماذج على دقة عالية (الأخطاء النسبية عموماً أقل من 5%).
- نجحت النماذج في تحديد تكوينات هيكلية متميزة تعطي نفس الخصائص المستهدفة، مما أكد قدرتها على التنقل في فضاء الحلول غير الفريدة.
البحث الشرطي: نجحت طريقة البحث التكرارية في تحديد الحد الأدنى والأقصى لمعاملات التمدد الحراري القابلة للتحقيق لنسبة بواسون ثابتة (والعكس)، مما يؤكد فائدة النماذج في استكشاف مساحات التصميم.

5. الأهمية والخاتمة

يوضح هذا العمل أن التعلم الآلي يمكن أن يسرع بشكل كبير دورة تصميم المواد الميتا-تيرموإيلاستيكية المعقدة. ومن خلال استبدال خوارزميات التحسين التكرارية المكلفة حاسوبياً بشبكات عصبية مدربة، قدم المؤلفون أداة:

تقلل التكلفة الحسابية: يصبح التصميم العكسي فورياً مقارنة بحلقات التحسين التقليدية.
تعزز العملية التطبيقية: القدرة على تثبيت المواد الأساسية (وهو قيد شائع في الواقع) ومع ذلك إيجاد الهياكل المثلى تجعل الطريقة قابلة للتطبيق مباشرة على التصنيع.
تسهل الاكتشاف: يمكن للنماذج تحديد مناطق التصميم الممكنة وحدود الخصائص بسرعة، مما يساعد المهندسين في إنشاء مكونات ذات تمدد حراري واستجابة ميكانيكية مخصصة لصناعات الفضاء والهندسة الدقيقة.

يمكن تعميم إطار العمل المقترح وتوسيع نطاقه لأنواع أخرى من المواد الميتا-تيرموإيلاستيكية، مما يمثل خطوة مهمة نحو التصميم القائم على البيانات للمواد الوظيفية المتقدمة.