[论文解读] Shape-morphing programming of soft materials on complex geometries via neural operator

Lu Chen, Gengxiang Chen+5 more|arXiv (Cornell University)|Jan 16, 2026

Advanced Materials and Mechanics被引用 0

一句话总结

本论文提出 S2NO，一种谱-空神经算子，用于在复杂几何上预测并逆设计软材料的形状变 morphing，实现离散化不变的算子学习与进化优化，从而在高保真变形和超分辨率材料分布方面具有优势。

ABSTRACT

Shape-morphing soft materials can enable diverse target morphologies through voxel-level material distribution design, offering significant potential for various applications. Despite progress in basic shape-morphing design with simple geometries, achieving advanced applications such as conformal implant deployment or aerodynamic morphing requires accurate and diverse morphing designs on complex geometries, which remains challenging. Here, we present a Spectral and Spatial Neural Operator (S2NO), which enables high-fidelity morphing prediction on complex geometries. S2NO effectively captures global and local morphing behaviours on irregular computational domains by integrating Laplacian eigenfunction encoding and spatial convolutions. Combining S2NO with evolutionary algorithms enables voxel-level optimisation of material distributions for shape morphing programming on various complex geometries, including irregular-boundary shapes, porous structures, and thin-walled structures. Furthermore, the neural operator's discretisation-invariant property enables super-resolution material distribution design, further expanding the diversity and complexity of morphing design. These advancements significantly improve the efficiency and capability of programming complex shape morphing.

研究动机与目标

• 为生物医学设备与航空航天系统等应用，动机化软材料在复杂几何上的形状变 morphing 设计。
• 开发一个能够捕捉在不规则域上的全局与局部变形的神经算子模型。
• 通过与进化算法的耦合，实现体素级材料分布优化。
• 展示离散化不变性在超分辨率变形设计中的能力。
• 通过多几何建模实现对多几何的泛化能力。

提出的方法

• 提出 S2NO，将拉普拉斯特征本征谱编码与空间图卷积处理相结合，从材料分布到变形场学习算子。
• 用拉普拉斯本征函数对几何进行谱卷积编码；结合基于图的空间卷积与输入/输出门。
• 在 FE 产生的数据上训练（每个案例 55,000 个随机分布；7 个案例），使用提升层、8 层 S2NO、以及投影层；损失函数为基于 MSE。
• 利用离散化不变性实现超分辨率材料分布设计，无需重新训练。
• 将 S2NO 与进化优化相结合，对逆变形任务进行穷尽设计空间探索。
• 展示对低分辨率到高分辨率体素模型的微调，以在数据有限的情况下实现高分辨率变形。

实验结果

研究问题

• RQ1 S2NO 是否能在不规则且复杂几何上准确预测软材料的形状变 morphing？
• RQ2 离散化不变性是否能在不进行大量再训练的情况下实现可靠的超分辨率材料分布？
• RQ3 该框架是否能进行鲁棒的逆设计，以在复杂几何上实现多样的目标形态？
• RQ4 多几何建模在不同几何之间的知识共享效果如何？
• RQ5 与现有神经算子模型相比，S2NO 在这些任务上的性能如何？

主要发现

• S2NO 在七个几何任务上实现了与 PODNN、DeepONet、POD-DeepONet、NORM、Transolver 相比的最先进预测性能。
• 在七个案例中，S2NO 的 L2、MAE、M-Max 误差均低于基线，在某些案例中相对提升最高可达 L2 54.75%、MAE 55.56%、M-Max 55.00%。
• S2NO 能够对不规则边界、多孔、薄壁结构的目标形态进行精确的逆设计，相关误差在所报道案例中相对于高度或长度的相对误差最大仅为 1.90–2.85%。
• 离散化不变性属性支持超分辨率设计，表现为从低分辨率到高分辨率体素数据的零-shot 泛化，以及在高分辨率数据有限时的有效微调。
• 多几何建模在五个花瓣形状上的预测准确性得到提升，优于单几何训练，能够在几何之间共享参数。
• 模块化组合演示表明该框架可从简单单元设计出复杂表面形状（半球形、晨钟花样、蝴蝶翅等形貌）。