⚡ 电气工程

M³Sculptor: A Knowledge-Driven Multimodal-Agent Framework for Automated Metamaterial Design

M³Sculptor 是一个知识驱动的多智能体框架，它利用大语言模型和多模态模型，通过检索文献、重建三维结构，并利用对称性恢复和计算均质化进行迭代优化，从而实现根据特定自然语言需求自动设计机械超材料。

原作者： Sheng Sun, Qing shang, Menghuan Wang, Yang Lu, Qining Wang, Yawen Fei, Tong-Yi Zhang

发布于 2026-11-05

📖 1 分钟阅读☕ 轻松阅读

原作者： Sheng Sun, Qing shang, Menghuan Wang, Yang Lu, Qining Wang, Yawen Fei, Tong-Yi Zhang

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

几个世纪以来，工程师们通过改变物质的组成成分来制造更强韧、更轻盈且更具弹性的材料。他们混合金属、融合聚合物或精炼陶瓷，以获得理想的强度或柔韧性。但在过去十年中，一个不同的理念占据了主导地位：即材料的行为特征不仅取决于其化学配方，更取决于其形状。想象一下，用与坚硬砖块相同的塑料制成的海绵。砖块是坚实且沉重的，但海绵是轻盈且柔软的。现在，想象一种内部结构经过精确工程设计的材料，它在受到拉伸时可以向侧面扩张，或者在受到挤压时变得越来越软。这些就是机械超材料（mechanical metamaterials）。它们并非新物质，而是经过精心排列的架构，能够实现自然界从未设想过的功能。问题在于，设计它们极其困难。可能的形状数量如此之巨，以至于尝试每一种形状就像是在没有地图的情况下，试图在沙滩上寻找一颗特定的沙粒。

研究人员转向利用计算机来提供帮助，但即使是最智能的程序，也难以应对科学论文中所锁定的海量信息。多年来，科学家们发表了数千篇描述这些奇特结构的论文，这些论文通常以二维图画的形式呈现。为了利用这些知识，研究人员通常必须阅读论文，理解图画，手动构建三维模型，然后运行复杂的模拟实验来验证其是否有效。这个过程缓慢、容易出错，并且往往在找到最佳设计之前就已停止。现在，一组科学家创建了一个名为 M3Sculptor 的系统，旨在使整个流程自动化。它扮演着数字建筑师的角色，能够阅读科学文献，寻找合适的图画，将它们转化为三维模型，并根据特定目标进行测试，而无需人工干预。

该系统首先通过从三千多篇关于机械超材料的已发表论文中构建一个庞大的知识库来运作。系统不仅仅是存储文本，它还学习如何连接思想、图像和公式。它理解特定的形状会导致特定的行为，并将这些概念联系在一起，以便计算机进行搜索。当用户请求具有特定属性的材料（例如特定的刚度或独特的弯曲方式）时，系统会搜索该库。它会找到相关的论文并提取结构图像，即使这些图像中布满了箭头、标签或尺寸线。随后，系统会对这些图像进行清理，移除多余的文本，从而显现出结构的纯粹形状。

图像清晰后，系统会完成一项卓越的壮举：将平面的图画转化为三维物体。它构建出一个看起来像微小、复杂的晶格或多孔海绵的数字模型。然而，由于角度或阴影的原因，单张图画往往会隐藏结构的某些部分。为了解决这个问题，系统使用了名为“对称性恢复”（symmetry restoration）的技术。它观察可见的部分并将其沿不同轴线进行镜像处理，从而有效地推测出隐藏的侧面，以创建一个完整且平衡的三维物体。接着，它会对该物体进行微调，加厚或减薄构成结构的支柱。这些细微的变化创造了一个由略微不同的版本组成的家族，每个版本都具有略微不同的机械性能。

最后，系统会对这些数字模型进行严格测试。它模拟这些模型在压力下的行为，计算它们的刚度和变形情况。如果用户要求的材料是在拉伸时向侧面扩张，系统会检查生成的模型中是否有模型确实具备此特性。如果第一个模型接近但并不完美，系统会尝试其家族中下一个经过调整的形状变体。它重复这一过程，在推荐的设计列表中不断移动，直到找到一个符合用户要求且误差极小的匹配项。

这种自动化方法的成果令人瞩目。当研究人员使用严格的准确性要求测试该系统时，仅凭图画构建的初始三维模型成功找到匹配设计的概率仅为三分之一左右。但当系统加入了对称性恢复和小结构调整后，成功率跃升至 80% 以上。这意味着，在人类可能已经放弃或花费数周时间尝试微调形状的情况下，该系统现在能够在大多数情况下找到可行的设计。它发现这些匹配的速度也更快，通常在查看前几篇论文时就能识别出正确的结构，而不是必须筛选数十种可能性。

这项研究表明，将人工智能与材料物理定律相结合，可以弥合书籍记载内容与实验室制造能力之间的鸿沟。该系统不仅仅是在猜测；它将决策建立在已发表研究的实际图像和数据之上。它将用户的请求直接链接到特定的论文、特定的图像以及特定的三维模型，从而创造了一条清晰的设计溯源路径。这种方法允许科学家探索极其广阔的超材料领域，而不受自身直觉或手动建模耗时耗力的限制。通过将过去的静态知识转化为未来的动态工具，M3Sculptor 为发现比现有材料更轻、更强且更具适应性的材料提供了一种新途径。

技术摘要：M3Sculptor

问题陈述

机械超材料（即其性能源于其架构而非化学成分的工程化材料）的设计面临着设计空间极其庞大的挑战。传统的设计工作流高度依赖人类直觉，需要将 2D 文献插图手动重建为 3D CAD 模型，分配材料属性，并进行迭代有限元分析（FEA）。这一过程既耗时又耗费计算资源。

虽然人工智能（AI）在结构预测和逆向设计方面取得了进展，但现有的“结构优先”方法通常将结构变量视为与领域知识脱节的抽象参数。这些方法经常会重新发现文献中已经报道过的机制，因为它们无法有效地访问非结构化的科学出版物。此外，从结构概念到物理可验证仿真模型的过渡需要大量的体力劳动，这造成了瓶颈，限制了对新颖架构的系统性探索。目前迫切需要一个能够将文献知识检索、结构图像理解、3D 重建以及物理验证整合进单一自动化工作流的框架。

方法论：M3Sculptor 框架

作者提出了 M3Sculptor（机械超材料雕刻师），这是一个旨在根据自然语言需求自动设计机械超材料的多智能体框架。该系统通过三个相互关联的层级，将大语言模型（LLMs）、多模态模型和基于物理的仿真集成在一起：

1. 知识层

该层将来自 3,272 篇出版物的结构化领域知识编码为可查询的知识图谱（KGs）和多模态数据库。

数据流水线： 系统使用 MinerU 处理 PDF 以标准化内容，随后使用聊天模型（Qwen2.5-72B）进行二分类，以筛选出机械超材料相关的文献。
多模态对齐： 视觉语言模型（Qwen2.5-VL-32B）将插图与文本说明及段落进行对齐。
实体关系提取： 利用受 GraphRAG 启发的结构化提示机制，系统提取实体（结构、材料、属性、机制、方法、应用）及其关系，生成标准化的 JSON 输出。
存储： 数据存储在三层架构中：用于向量嵌入（跨模态检索）的 Milvus，用于语义关系（可遍历查询）的 Neo4j，以及用于完整文档上下文的 MongoDB。
模型微调： 作者利用从文献中构建的 71,400 个问答对和 24,730 个多选题（MCQs）构建了领域特定数据集。他们使用低秩自适应（LoRA）技术对 Qwen2.5-7B 和 Qwen3.8-27B 基座模型进行了微调，从而得到了 M3LLM-7B 和 M3LLM-27B。

2. 结构层

该层将 2D 文献插图转换为适用于机械分析的 3D 结构。

图像预处理： 使用 Rex-Omni 和 Qwen-Image-Edit 处理检索到的图像，以去除非结构性标注（箭头、尺寸线）。
3D 重建： 基于扩散 Transformer 的模型（Hunyuan3D）根据预处理后的图像生成 3D 候选网格。
网格清理： 使用 Trimesh 软件移除不连贯的碎片，并将最大的连通分量转换为 $64 \times 64 \times 64$ 的体素表示。
对称性恢复： 为了解决单图重建中的遮挡问题，系统沿 x、y、z 轴镜像体素矩阵，生成多达八个对称的候选结构。
形态学操作： 系统对体素网格应用侵蚀和膨胀算子以修改实/空界面，从而生成具有不同相对密度和局部特征尺寸的结构。

3. 物理层

该层通过计算均质化评估候选结构。

仿真： 应用周期性边界条件来计算有效弹性刚度矩阵（ $C^H$ ）。
属性计算： 从柔度矩阵（ $S^H$ ）中，系统计算方向相关的杨氏模量（ $E$ ）、剪切模量（ $G$ ）和泊松比（ $\nu$ ）。
目标匹配： 系统遍历排序后的出版物。对于每篇文献，它重建结构、应用变换，并将计算出的属性与用户指定的靶值（ $p^*$ ）在定义的容差（ $\delta$ ）范围内进行比较。当找到匹配项或推荐列表耗尽时，过程停止。

关键结果

知识图谱与模型性能

构建的知识图谱包含约 440,000 个节点和 170 万个关系，源自 3,272 篇出版物。
领域适配： 微调显著提高了在机械超材料多选题上的表现。M3LLM-7B 实现了 76.22% 的准确率（比其基座模型提升了 6.72%），在这一特定领域内超越了更大的通用模型如 Qwen2.5-72B 和 DeepSeek-V3。M3LLM-27B 的准确率达到了 81.04%。
通用基准： 虽然领域特定准确率有所提高，但作者指出，与基座模型相比，微调模型的 MMLU（通用知识）准确率略有下降或趋于平缓，这表明了模型向超材料领域的专业化转变。

结构重建与属性匹配

重建成功率： 框架成功地从文献图像中重建了多样化的架构（例如锯齿梁、立方八面体晶格、曲面），生成了适用于有限元分析（FEA）的网格。
变换的影响： 研究评估了结构变换对目标属性匹配（在绝对容差 $\delta = 0.01$ $δ = 0.01$ 下，单位为 GPa 的模量或无量纲的泊松比）的贡献：
- 仅初始重建： 在五轮推荐中，成功率为 34.13%。
- 结合对称性恢复（+Sym）： 成功率为 53.25%。
- 结合形态学操作（+Morph）： 成功率为 61.98%。
- 扩展集（初始 + Sym + Morph）： 成功率为 83.25%。
效率： 扩展候选集使寻找匹配项所需的平均出版物数量从 4.00（初始）减少到 2.20（扩展），降幅达 45%。
误差降低： 中值归一化误差（ $\epsilon/\delta$ ）从 2.79（初始）降至 0.04（扩展），表明向目标匹配的逼近程度显著提升。
属性特异性： 形态学操作对于调节杨氏模量和剪切模量特别有效（成功率上升至 ~89-92%），而对称性恢复对于调整泊松比目标则至关重要。

重要性与主张

论文声称 M3Sculptor 提供了一条将科学文献中记载的设计经验转化为可计算评估的结构设计的实用路径。通过整合知识检索、图像驱动的 3D 重建和基于物理的验证，该框架解决了非结构化文献与自动化设计之间的脱节问题。

作者强调，其方法通过将候选架构的生成建立在显式的领域知识和物理定律之上，从而超越了“结构优先”的设计模式。系统证明，结合对称性恢复和形态学操作可以显著增加找到符合特定机械目标的超材料的概率，从而实现对那些传统试错法难以触及的庞大设计空间的自动化探索。该框架被呈现为一个可追溯的工作流，每个候选结构都与其来源文献相关联，确保了科学的可重复性。