资讯：Nature Commun. 新成果 | 上海交大团队研发ExMech装置，实现板格超材料多目标自动化优化

• 解决的问题：板格超材料参数维度高、多目标优化难度大，计算模拟存在可靠性缺陷，人工试错实验效率低且可信度不足。桁架 - 板混合格构的多目标优化尚无自动化实验实现，同时难以量化变量 - 目标的耦合关系，亟需高效的自优化实验方法支撑其研发。
  

• 提出的方法：研发实验力学装置 ExMech，整合含 9 个工作站的机器人平台与多目标主动学习框架，实现设计 - 制造 - 表征 - 学习的无人干预闭环迭代。针对板厚、孔半径、杆直径三参数的桁架 - 板混合格构，开展抗压、抗剪强度和轻量化三目标优化，结合 SHAP 分析量化变量 - 目标关系。
  

• 实现的效果：仅 25 次迭代便建立帕累托前沿，实验工作量较传统方法减少 370 倍；轻量化不变时，抗压、抗剪屈服强度分别提升 15.6%、12.0%；优先强度时，二者分别提升 158.5%、194.8%，仅增重 13.2%；发现杆板协同增强机制，并将优化格构应用于 3D 打印压剪可调鞋中底。
  

• 创新点：首次提出板格超材料的自优化实验范式，研发的 ExMech 实现了桁架 - 板混合格构的高维多目标自动化优化，量化揭示了变量 - 目标的非线性耦合规律，发现全新的杆板协同增强力学机制，还将优化后的格构成功应用于 3D 打印鞋中底，为机械超材料研发提供新路径。

• 研究成果以题为 “Experimental mechanician for plate lattice metamaterial discovery” 发表于《Nature Communications》上。上海交通大学Songtao Hu、Haoran Li为论文共同第一作者，上海交通大学Songtao Hu、广州国家实验室Xiaobao Cao为论文共同通讯作者。

• 摘要：板格超材料的比强度优于传统桁架格构，但因其参数更多、存在多目标优化需求，相关优化工作极具挑战性。本文提出一种实验力学装置（ExMech），用于筛选轻量化、高强度的板格超材料。该装置整合了标准化数据生成的机器人平台与指导结构 - 性能关系定向探索的多目标主动学习框架，在三变量、三目标空间内对桁架 - 板混合格构进行优化，仅通过 25 次迭代便构建出帕累托前沿，大幅减少了实验工作量。帕累托最优组合在保持轻量化指标不变的情况下，抗压和抗剪屈服强度分别提升 15.6% 和 12.0%；若优先考虑强度，其抗压和抗剪屈服强度可分别提升 158.5% 和 194.8%，仅使重量增加 13.2%。通过分析变量 - 目标关系和失效模式，研究识别出结构效率更高的组合形式。本研究将发现的板格超材料应用于 3D 打印的压剪可调鞋中底，证实了这种自优化实验方法在板格超材料发现中的有效性，为新型机械超材料的研发提速。
  

• 结论：本研究研发了一款实验力学装置 ExMech，用于发现轻量化、高强度的板格超材料，该装置整合了可生成标准化实验数据的 9 工作站机器人平台，以及通过深化结构 - 性能认知实现定向探索的多目标主动学习框架。我们利用 ExMech，在板厚、孔半径、杆直径构成的三变量空间内，对以抗压屈服强度、抗剪屈服强度、轻量化为目标的桁架 - 板混合格构开展三目标优化。该装置仅通过 25 次迭代（150 次力学测试）便构建出帕累托前沿，相比传统方法的 55566 次力学测试，实验工作量减少 370 倍。帕累托最优组合在保持轻量化指标不变时，抗压和抗剪屈服强度分别提升 15.6% 和 12.0%；若优先考虑力学性能，其抗压和抗剪屈服强度可分别提升 158.5% 和 194.8%，仅牺牲 13.2% 的轻量化性能。此外，通过分析变量 - 目标关系和失效模式，我们识别出结构效率更高的组合形式，并发现了一种全新的杆板协同增强机制。本研究将发现的板格超材料应用于 3D 打印的压剪可调鞋中底，证实了这一自优化实验范式在板格超材料发现中的开创性价值，该方法有望拓展至拓扑格构、层级格构等更复杂的超材料研发中，推动机械超材料的快速发展。
  

图1：实验力学装置 ExMech。

图2：帕累托前沿（PF）的构建。

图3：多目标主动学习框架。

图4：自优化机制。