2021 年，美國骨科及醫療科技公司史賽克（Stryker）由於骨植入物強度不夠而被召回相關產品，引起領域內的高度關注。那麼，這種現象是否有可能從源頭被解決呢？
清華大學溫鵬副教授團隊以解決實際應用問題為出發點，提出一種數據高效的新方法：生成式設計-多目標主動學習循環方法。他們從三維神經網絡組成的機器學習和有限元法的角度出發，通過調整三維列印構造材料結構中的參數，在實現材料性能更佳的同時，提升材料的力學性能，且不額外增加材料的重量。
與均勻設計相比，這種無經驗方法設計具有生物相容性彈性模量和更高強度的微尺度異構結構。該方法為結構超材料設計提供了一種多目標優化的設計工具，能夠在機械、熱力學、磁學等性能上獲得最佳響應。
圖丨相關論文（來源：Nature Communications）
近日，相關論文以《機器學習多目標超材料設計》（Machine learning-enabled constrained multi-objective design of architected materials）為題發表於 Nature Communications[1]。
清華大學博士生彭勃、韋業博士（現瑞士洛桑聯邦理工學院博士後）與北京大學博士後秦瑜為該論文的共同第一作者，韋業、秦瑜與溫鵬副教授為該論文的共同通訊作者。
圖丨韋業（來源：韋業）
韋業博士期間曾在 Science 發表論文，提出一種基於實驗數據，針對單目標高熵合金設計進行優化的主動學習策略[2]。而這次新的研究在前期基礎上，實現了針對多目標的優化。與上次研究不同的是，這次相關數據量和實驗數據非常少。因此，研究人員提出，是否能夠將機器學習和模擬結合，並利用三地列印技術驗證 AI 設計的結果，進而形成工作流程的閉環？
基於製造方面參數、工藝、材料的可調性，鎖定一款特定的工藝和其對應的材料非常關鍵。韋業指出，這個問題的難點在於保證模擬的真實性。為此，他們大約用了半年的時間，通過系列實驗試圖達到仿真模擬的精度要求。
但實際上，精度和計算是一個「魚和熊掌不可兼得」的命題，通常精度越高計算就越慢。課題組成員在進行大量嘗試後，發現實驗與計算大概在 10% 左右時，計算速度和結構狀態都相對比較理想。
「有意思的是，我們在研究初期，希望得到海量數據而未成功，但後來才發現，精度比數據量更重要，這也啟示大家不要盲目追求更多的數據。」韋業說。
圖丨生成式架構設計-多目標主動學習循環（來源：Nature Communications）
另一方面，由於骨植入物大規模模擬速度非常慢，因此，他們想辦法將小規模模擬驗證的結構應用在大的骨骼支架上。他表示，「為解決該問題，我們用了一種『簡單粗暴』的方式，將用機器學習設計的結構進行疊加，結果發現疊加後的結構性能符合要求。」
需要了解的是，在設計骨植入物材料時，力學性能的彈性模量需要與骨頭保持一致，即力學強度一致。與傳統方法相比，這種新型設計方案在沒有增加質量的前提下，將屈服強度提升了 20%-24%。
韋業認為，很多物理、化學、生物領域中材料設計或分子設計的問題，從某種程度上來看，都可以嘗試從數學領域的優化角度來解決，該研究也為解決相關問題提供了新的思路。
圖丨具有優化機械性能的骨科植入物（來源：Nature Communications）
下一步，該團隊將致力於在更高維度、更多搜索空間條件下，進行類似於 AlphaGo 的搜索策略創新。據了解，相關研究已經在進行中，並初步取得了較好的效果。
創新的設計思路和成果離不開韋業的物理、計算機等多學科交叉研究背景。他博士畢業於德國馬克斯普朗克研究所，之後在清華大學交叉信息學院從事計算機方向的博後研究。目前，他在洛桑聯邦理工學院從事博士後研究，專注於人工智慧驅動的高維度多目標優化方法，以及相關方法在材料和生物科學領域的應用（AI for Science）。
韋業認為，AI for Science 很重要的關鍵點是「定義一個好的問題」，並能夠定義在合適的、能解決的框架。「從我的角度來看 AI for Science，其中 Science 占的比重更大，例如如何解決數據的收集問題、精度問題，以及如何實現相關問題等。」
據悉，韋業即將在結束博後研究後尋找教職工作。他計劃深入探索並建立一種簡單的標準，來判斷模型和數據集是否匹配。此外，機器學習領域每天都會更新上百種不同的理論和方法，尋找能夠在眾多模型中快速判別適合的應用模型，也是他未來努力的方向。
參考資料：
1.Peng, B., Wei, Y., Qin, Y. et al. Machine learning-enabled constrained multi-objective design of architected materials. Nature Communications 14, 6630 (2023). https://doi.org/10.1038/s41467-023-42415-y
2.Rao,Z., et al. Machine learning–enabled high-entropy alloy discovery
Science 378, 6615,78-85(2022). https://www.science.org/doi/10.1126/science.abo4940