本文发表于《自然·通讯》（Nature Communications）期刊（2025年，第16卷，第2946期）。研究由来自德国马克斯·普朗克智能系统研究所物理智能系的Alp C. Karacakol、Yunus Alapan、Sinan O. Demir和Metin Sitti主导，合作机构包括美国卡内基梅隆大学、威斯康星大学麦迪逊分校、斯图加特大学以及土耳其科奇大学。
学术背景与研究目标
本研究聚焦于磁响应软材料（Magnetically responsive soft materials）这一前沿领域。这类材料通常由嵌入软质基质（如硅橡胶）中的硬磁颗粒（如钕铁硼）构成，通过高分辨率空间磁化编程，能够在外部磁场控制下实现复杂、可编程的形状变形，在软体机器人、生物医学接口等领域具有巨大应用潜力。然而，其设计面临一个根本性挑战：材料的磁学特性（如磁化强度和方向）与机械特性（如弹性模量、几何形态）之间存在固有的、非线性的强耦合关系。磁扭矩在变形过程中会非线性变化，相邻区域不同方向的磁化会因机械力的相互制约而无法完全与外部场对齐。这种耦合导致设计空间极为广阔且高度反直觉，使得传统基于经验和试错的“爱迪生式”（Edisonian）设计方法效率低下且难以探索最优解。以往的研究大多局限于预先定义的简单形态（如杆、梁）、二维磁化分布和二维平面变形，对于三维结构、多材料组成以及复杂三维形状变形行为的系统化设计，仍缺乏高效策略。
因此，本研究旨在提出一种通用的、数据驱动的设计框架，以克服直觉设计的局限性，高效探索磁软材料在形态、三维磁化分布以及多材料组成方面的广阔设计空间，从而为特定的二维/三维形状变形或功能性机器人行为（如跳跃、移动）生成最优设计。该研究的目标是建立一个与制造方法、编程方式和尺度无关的设计平台，释放刺激响应软材料在实际应用中的潜力。
详细研究流程
本研究的工作流程是一个集成了算法、仿真与实验验证的闭环系统，主要包括以下几个核心步骤：
参数化表示与设计空间定义：首先，研究人员将目标磁软结构进行参数化。形态（Morphology）通过体素（Voxel）网格表示，并利用一种称为“组合模式生成网络”（Compositional Pattern-Producing Network， CPPN）的神经网络来高效编码和生成复杂的形态，这大大减少了需要优化的参数数量，同时保持了丰富的表达能力。磁化分布（Magnetic Profile）则通过将材料划分为多个“段”（Segment），并直接以球坐标（方位角θ和极角φ）定义每个段的磁化方向。对于多材料设计，CPPN的输出被扩展为将每个体素坐标映射到特定的材料类型（如软/硬磁响应材料、软/硬被动材料、空体素）。磁化方向被离散化为六个主要的笛卡尔轴方向以简化制造。这种参数化方法将连续的设计空间转化为可由算法处理的离散表示。
数据驱动的设计算法：为了在巨大的设计空间（例如，对于某些复杂设计，空间可达10^186量级）中进行高效搜索，研究团队开发了一套创新的数据驱动算法。该算法的核心是结合了表型精英多维存档（Multi-dimensional Archive of Phenotypic Elites， MAP-Elites）启发式探索方法和一个作为代理模型（Surrogate Model）的神经网络（Neural Network）。MAP-Elites算法用于在用户定义的低维特征空间（如填充体素比例、净磁矩方向）中维护一个多样化的高性能设计“档案库”。神经网络的引入是关键创新：它利用已评估的设计数据（形态、磁化参数作为输入，仿真性能作为输出）进行训练，从而能够快速预测新设计候选者的性能，而无需进行耗时的仿真。算法流程是：生成随机设计候选池；利用训练好的神经网络预测其性能；筛选出预测性能最优的候选子集（例如50个）；将这些有前景的设计送入仿真环境进行精确评估；评估结果用于更新MAP-Elites档案库并进一步训练神经网络。这个过程迭代进行，直至达到预定的性能阈值或迭代次数。该算法还包含了变异（随机改变CPPN节点/连接或磁化段方向）和交叉（交换不同设计的磁化分布）操作，以促进设计空间的探索与开发。
低成本计算仿真引擎：为了快速评估成千上万个设计候选者的行为，研究开发了一个高效、可并行的仿真环境。该环境基于质量-弹簧晶格模型（Mass-Spring Lattice Model），同时集成了平移弹簧和旋转弹簧来模拟材料的力学变形，并耦合了计算磁力和磁扭矩的物理模型。与传统的有限元分析相比，这种仿真方法能在几分钟内完成一次动态行为模拟（例如0.5秒的跳跃过程），计算成本显著降低，使得大规模设计探索成为可能。仿真引擎的参数（如杨氏模量、磁化强度、阻尼系数）通过贝叶斯优化与实验测量数据进行拟合，以确保仿真的准确性。
制造与磁化编程：对于二维单材料结构，采用激光微加工从磁弹性体薄片上切割出目标形态，并利用热辅助磁化编程（Heat-assisted magnetic programming）技术进行空间磁化编码。该技术使用近红外激光局部加热目标区域至材料的居里温度以上，使其退磁，然后在冷却过程中施加定向外部磁场，从而在该区域写入特定的磁化方向。对于三维多材料结构，则采用体素组装（Voxel-based assembly）方法：预先用不同材料（软/硬磁响应、软/硬被动）制造出立方体体素，并将磁响应体素在强磁场中进行整体磁化（硬磁化），然后像搭积木一样，使用快速固化硅胶作为粘合剂，根据设计图纸逐层组装成三维结构。
实验验证与性能测量：将算法生成的最优设计进行物理制造，并在定制的磁场发生装置（使用永磁体平台或三轴亥姆霍兹线圈系统）中进行实验测试。通过高速摄像机记录其形状变形或运动行为。性能通过预定义的目标函数进行量化：对于形状匹配任务，使用平均位置均方根误差（RMSE）来衡量仿真或实验形状与目标形状的接近程度；对于功能行为（如跳跃），则直接测量跳跃高度或位移距离等指标。
主要研究结果
复杂二维与三维形状变形：研究成功展示了数据驱动设计框架在生成复杂形状变形方面的能力。针对悬臂梁结构，算法优化出的磁化和形态设计，使其在恒定磁场下能变形为非周期性变幅正弦波、方波信号（包含4个尖锐转角）以及钻石形（结合尖锐转角和高达225度的尖端旋转）等复杂二维形状。更重要的是，框架被扩展到三维形状变形，成功设计了能变形为球形螺旋线和具有多个尖锐转角的三维阶梯状结构的梁。这些形状的复杂性（通过形状复杂度评分量化）是文献中先前例子的2到20倍。仿真与实验结果的对比验证了良好的“仿真到现实”（Sim2Real）转移性能。敏感性分析表明，对磁化或形态的微小改动都会导致变形结果显著偏离目标，这证实了设计空间的非线性和反直觉特性。
面向功能行为的优化设计：研究证明了该框架可以直接为特定的功能目标优化设计，而无需预先定义中间形状。例如，成功设计了：a) 最大化旋转的固定端梁，使其能绕纵轴完成完整旋转；b) 最大化中心点高度的自由形态薄片；c) 最小化包围球体积的磁软薄片，实现了2.6倍的体积缩减。这些演示表明，该策略能够处理高达约10^1233量级的巨大设计空间，直接针对行为任务进行优化。
高性能跳跃毫米机器人设计：这是一个突出数据驱动方法优势的关键演示。研究人员将一个文献中的直觉跳跃设计适配到本研究使用的（磁化强度较弱）材料上，结果该设计在仿真和实验中均完全无法跳离表面。相比之下，利用数据驱动框架为相同尺寸的梁状毫米机器人优化出的新设计，在相同的反转磁场驱动下，实现了约1.4毫米（0.39倍体长）的跳跃高度。进一步，为正方形薄片（长宽比1:1）优化的设计实现了约1.9毫米（0.43倍体长）的跳跃高度，性能甚至优于梁状结构。这强有力地证明，基于经验发现的直觉设计无法轻易迁移到不同材料或形态上，而系统化的数据驱动方法能为特定任务和材料生成性能更优的定制化设计。
三维多材料软体机器人的设计：为了展示框架的通用性和与先进制造技术的兼容性，研究将其应用于设计由多种材料（软/硬磁响应、软/硬被动）构成的三维结构。通过体素组装法制造出的机器人，在相同磁场控制下可执行不同的任务：垂直跳跃（跳跃高度约5毫米）、定向跳跃（跳跃距离约20毫米）以及穿越运动（每周期位移约6.5毫米）。这凸显了通过空间编码材料组成和响应，可以在相同控制输入下实现截然不同的行为。此外，研究还初步探索了设计由热-磁双重响应材料构成的可重构机器人：同一结构在室温下表现为穿越运动，加热变软后则在相同磁场信号下转变为定向跳跃行为。这些结果证明了该数据驱动策略能够处理多材料、多刺激响应、三维结构带来的额外设计复杂度，并且其设计过程与制造尺度、编程方法无关。
研究结论与价值
本研究成功开发并验证了一个通用的、数据驱动的设计框架，用于对形状可编程的磁软材料进行空间磁化、形态及多材料组成的协同优化。该框架通过结合基于神经网络的代理模型引导的启发式搜索和低成本物理仿真，能够高效探索传统直觉方法无法应对的、高度耦合且反直觉的巨大设计空间。
其科学价值在于，为刺激响应软材料（尤其是磁软材料）的设计提供了一个系统化、自动化的方法论，将设计过程从依赖经验的“试错”转变为基于数据和算法的“智能探索”。它首次实现了对三维磁化分布、二维/三维形态以及多材料成分进行联合优化，以达成复杂的二维/三维形状变形和特定的功能行为。
其应用价值显著：该框架能够生成高性能、非直觉的设计，提升软体机器人在跳跃、运动等任务中的表现；它能够设计出复杂的形状变形，未来可能应用于需要进入人体难以触及区域的导管或手术工具；其与多种制造技术（激光加工、体素组装）和尺度兼容的特性，以及处理多材料、多刺激响应的能力，为开发下一代具有物理智能、能适应非结构化环境的多功能软体机器人和设备铺平了道路。
研究亮点
其他有价值内容
研究团队对其算法进行了全面的基准测试，与原始MAP-Elites、随机搜索等其他变体进行了比较，从QD分数、全局性能、可靠性、精度、覆盖率等多个维度证明了所提出算法的有效性。此外，他们对仿真引擎的计算时间进行了表征，并详细验证了仿真与实验之间的一致性，确保了设计流程的可靠性。这些工作增强了整个研究方法的严谨性和可重复性。