想象一下，你正试图建造一座房子，但你不想使用整齐排列的相同砖块，而是想用一堆乱七八糟、却又充满美感的石头、树枝和叶子来构建它，就像鸟巢或珊瑚礁一样。这就是“无序超材料”（disordered metamaterials）的世界。虽然规则的、网格状的材料易于设计，但它们的能力是有限的。然而，自然界早已掌握了这种“混乱之美”。想想你自己的骨骼或叶脉；它们并不是完美的网格。它们是随机的、不规则的网络，具有极强的强度、柔韧性，并且能有效阻止裂纹扩散。科学家们长期以来一直希望模仿这种“混乱魔力”，以创造用于软体机器人或医疗植入物等领域的超级材料。但问题在于：设计这些随机图案是一场噩梦。旧的方法通过手工绘制过于僵化，而使用人工智能的新方法通常需要数千个示例进行学习，而且一旦它们学会了一种模式，一旦面对新的形状或尺寸，就无法轻易适应，必须重新开始。

这篇论文介绍了一种巧妙的新方法来“生长”这些材料，其灵感源自自然界真实的构建方式。与其尝试去“画出”最终的图像，研究人员教计算机学习“生长的规则”。想象一下，不是教机器人如何画出一片特定的叶子，而是教它如何让叶子进行细胞级的生长，并仅对周围的邻居做出反应。结果是，这个系统可以获取一个无序材料的单一示例，学习其局部生长规则，然后可以在任何地方、任何形状中生长出这种材料，甚至可以随时改变其特性。这就像拥有了一个数字种子，它可以长成森林、骨骼或蜘蛛网，然后将那片森林变形为一座桥梁，而无需重新播种或学习一种新的语言。

数字园丁：学习生长，而非仅仅绘图

这里的核心思想是从“绘图”向“生长”的转变。传统的用于设计材料的 AI 方法就像是通过记忆照片中每一个像素来试图画出一幅杰作。如果你想要一张略有不同的画，你就需要一张新的照片来记忆。这种新方法，被称为神经细胞自动机（Neural Cellular Automata, NCA），更像是教一位园丁植物生长的规则。你展示给园丁一片叶子的图像，他们便学会了局部的相互作用：“如果这里的细胞是实心的，而它的邻居是空的，也许我应该生长一点以连接它们。”

研究人员仅使用一个单一模板（一种“单样本”方法）训练了他们的模型。他们没有输入数千张图像。相反，他们让模型观察一个无序结构的单一示例（如叶脉），并推导出其形成的底层“配方”。模型学到了这种结构是从简单的局部规则中涌现出来的，在这些规则中，每个微小的细胞只与紧邻的邻居进行交流。一旦模型学会了这个配方，它就可以从空白状态开始，一遍又一遍地生长出同类型的结构。

魔法遥控器：操控生长

这里是最有趣的部分。通常情况下，如果你希望材料在某个方向更强或在另一个方向更薄，你必须回到设计原点并重新训练 AI。这篇论文表明，你不需要这样做。因为 AI 学习的是生长的“规则”（这些规则类似于被称为偏微分方程的数学方程），研究人员可以通过调整生长过程的“输入”来引导结果，而无需重新训练。

他们构建了四个“转向机制”，充当控制材料的“遥控器”：

1. 方向（Orientation）： 你可以旋转整个图案。如果叶脉是垂直生长的，你可以通过旋转细胞用来观察邻居的“传感器”，让模型改为水平生长。
2. 各向异性（Anisotropy/方向性强度）： 你可以拉伸图案。你可以让材料在某个方向非常强，而在另一个方向较弱，从而有效地改变它处理应力的能力。
3. 尺度（Scale）： 你可以放大或缩小。你可以让材料的微小特征变得更小或更大，在不改变基本风格的情况下改变其纹理。
4. 厚度（Thickness）： 你可以使“支柱”或“脉络”变得更厚或更薄，这直接改变了材料的刚度。

论文展示了通过混合搭配这些控制参数，他们可以从最初的单一模板中创造出海量的变体。他们生成了超过 10,000 种不同的变体，证明了仅通过调节这些虚拟旋钮，材料的刚度就可以改变近 三个数量级（即 1,000 倍）。

在任何形状上生长：3D 迁移

在 3D 打印和材料设计中，最大的难题之一是：一个针对平面方格设计的方案，在尝试将其应用到复杂的曲面（如膝关节植入物或机器人手臂）时往往会失效。大多数 AI 模型都受限于平面网格。

这篇论文通过意识到“生长规则”是通用的来解决了这个问题。研究人员展示了他们可以将基于平面方格训练的模型，瞬间迁移到复杂的 3D 曲面网格上。他们并没有重新训练 AI，只是改变了 AI “观察”其邻居的方式。AI 不再观察固定的像素网格，而是利用局部几何信息（就像登山者观察周围的山坡坡度一样）在曲面上进行观察。

这使得他们能够在复杂的 3D 形状上生长出相同的无序微观结构，并保持同样美丽的随机纹理。这就像是将一株在平面格架上训练过的藤蔓告诉它：“现在，在圆球上生长吧”，它便能完美地缠绕在曲面上。

异步生长：愈合与构建

论文还引入了“异步生长”的概念。在自然界中，伤口通过仅在缺失组织的地方生长新组织来进行愈合，而身体的其他部分保持静止。研究人员也让他们的 AI 效仿此举。他们可以告诉模型只在材料缺失的特定区域“生长”，而周围区域保持冻结状态。新的生长会与旧材料无缝连接，实现完美的修复。

他们通过模拟一块骨头上的孔洞，并让 AI “生长”出新的骨骼来填补缺口，演示了这一过程。结果并非是在上面粘贴了一块补丁，而是一种无缝的整合，新材料看起来并表现得与周围的骨骼完全一致。这表明在未来，我们可能会拥有能够自我修复或生长成复杂、不规则形状的材料。

终极测试：机械隐身衣

为了证明该系统适用于严肃的工程领域，研究人员利用它设计了一个“机械隐身衣”（mechanical cloak）。想象一下，在一个实心块内部有一个空腔。如果你挤压这个块，空腔会扭曲力量，使材料变得脆弱且不稳定。所谓的“隐身衣”是一种围绕空腔的特殊材料排列方式，它能“欺骗”力量，使力量绕过空腔流动，仿佛空腔不存在一样。

设计隐身衣极其困难，因为材料属性需要在每一点都发生平滑且精确的变化。研究人员使用他们的优化系统来确定每个点所需的精确属性。然后，他们将这些要求输入到 NCA 模型中。模型生长出了一个完美匹配这些要求的复杂无序结构。

结果令人印象深刻。隐身结构显著减少了力场的畸变。当他们在不同分辨率（从 500 × 500 到 1000 × 1000 像素）下进行测试时，高分辨率版本的表现更为出色，误差从 26.12% 下降到了 16.86%。这证明了该系统不仅在理论上可行，而且具备规模化创建高性能真实设计的潜力。

这为何重要

这篇论文提出了材料科学的一个新方向。我们不再受困于僵化的、预制的模块，也不再需要海量的数据集来训练 AI，而是可以“生长”出像自然界一样灵活且具有适应性的材料。该系统具有数据高效性（通过单个示例学习）、适应性（适用于任何形状）以及可控性（像遥控器一样操控属性）。

虽然论文重点讨论的是模拟和机械隐身，但其影响是广泛的。作者认为，这可能会成为设计完美契合不规则骨骼形状的生物医疗植入物，或设计需要兼具强度与柔韧性的软体机器人的游戏规则改变者。通过学习生长的规则而非仅仅复制图像，我们或许终于能够设计出像生命世界一样坚韧且聪慧的材料。