基于隐式几何描述符的人工神经网络框架实现架构化纳米纤维材料统一结构-性能关系研究

本研究针对架构化纳米纤维材料（如VACNT泡沫）中纳米尺度机制（尺寸效应与纳米管间相互作用）对宏观力学性能的独立调控难题，提出基于多组分形状不变量（MCSI）隐式几何描述符的人工神经网络（ANN）框架，建立了跨架构的统一结构-性能关系模型，实现了特定能量吸收（W）、峰值应力（σ）和平均模量（E*）的精准预测与逆向设计，为复杂层级材料的高效开发提供新范式。

　　

在追求轻量化与高性能材料的今天，垂直排列碳纳米管（VACNT）泡沫因其独特的层级结构和卓越的力学性能成为研究热点。这类材料通过纳米尺度尺寸效应和纳米管间相互作用的协同，展现出惊人的能量吸收能力、模量和强度。然而，这些纳米机制如何通过宏观架构影响不同力学性能仍不清晰，且现有设计方法依赖架构特异性显式参数（如圆柱阵列的内径D_in、壁厚t），阻碍了跨架构统一设计原则的建立。

为解决这一难题，来自美国威斯康星大学的研究团队在《Extreme Mechanics Letters》发表研究，提出了一种基于隐式几何描述符的人工神经网络（ANN）框架。他们创新性地引入两种多组分形状不变量（MCSI）——反映架构特征尺寸和紧凑度的隐式参数，通过ANN将其与实验测得的比力学性能（W、σ、E^*）关联，首次建立了不依赖具体架构形式的普适性结构-性能关系模型。该模型不仅能预测训练集外设计的性能，还可通过逆向设计实现目标性能组合的精准调控。

关键技术方法包括：1）光刻图案化硅片结合浮动催化剂化学气相沉积（tCVD）制备六边形密排圆柱、同心圆和分形架构的VACNT泡沫；2）通过压缩实验获取比能量吸收、比峰值应力和比平均模量数据；3）开发MATLAB算法计算MCSI描述符；4）构建轻量化ANN模型实现描述符-性能的非线性映射。

主要研究结果
MCSI隐式几何描述符统一不同架构的结构-性能关系
研究发现，显式参数（如D_in）仅描述孤立几何特征且架构依赖性显著，而MCSI通过捕捉决定纳米机制的关键几何属性（如特征尺寸反映纳米管受限生长效应，紧凑度表征纳米管相互作用强度），成功将圆柱、同心圆和分形等不同架构的性能数据收敛到统一关系曲线中。

ANN框架实现性能预测与逆向设计
训练后的ANN模型仅需两个MCSI输入即可准确预测三种比力学性能，其预测误差显著低于传统显式参数模型。特别值得注意的是，该模型对训练集外的新型架构（如正弦波形）仍保持高预测精度，验证了描述符的普适性。通过反向优化MCSI组合，研究者提出了实现特定W-σ-E^*组合的设计策略。

结论与意义
该研究揭示了VACNT泡沫的宏观力学性能本质上由纳米尺度机制（而非具体空间架构）主导，突破性地通过MCSI描述符将其定量关联。相较于传统深度学习方法，这种基于物理机制的特征降维策略仅需少量实验数据即可实现高效建模，为复杂层级材料的加速设计提供新思路。该框架可推广至其他依赖多尺度机制交互作用的材料体系，在极端环境缓冲层、软体机器人功能组件等领域具有重要应用前景。研究代码已开源共享，促进领域内协同创新。