一些具有地标意义、世界著名的建筑，在设计之初便有着其结构与选材等角度的独到之处。
例如法国的文化象征之一，也是巴黎最高的地标建筑，被法国人爱称为“铁娘子”的埃菲尔铁塔。其得名于设计它的著名建筑师、结构工程师古斯塔夫·埃菲尔（Gustave Eiffel），而这座铁塔采用预制拼装的方法，全部由钢材建设而成。
当初，埃菲尔铁塔的结构设计可谓争议不断，一方面是其风格与卢浮宫、巴黎圣母院和凯旋门等拥有悠久历史的古典建筑群格格不入，另一方面则是对其百分百钢架镂空结构的不信任。不过实际上，在那个年代用古建筑风格的石料是很难建成高达 324 米的建筑，所以对钢结构的设计与选择是正确的。
如今，随着材料学与计算机技术的不断发展，人们对材料结构的设计范围已从米进入了纳米的尺度；并且适用范围也从最为宏大的建筑材料，扩展为横跨轻质结构、隔热、电池电极、催化剂支架、光学和声学超材料等众多应用领域。此外，增材制造技术的快速进步也让更为复杂的结构材料在规模化生产的技术与经济角度上变得可行。
那么问题来了，怎样找到一种简单快速且系统化的方法来设计复杂的结构材料呢？麻省理工学院赵选贺教授最近的一项研究，开发出一个利用生成式对抗网络（GANs）来设计复杂结构材料的“平台化”系统。这项研究发表在 4 月 24 日最新一期的 Science Advances 杂志上。为此，DeepTech 专门与赵选贺教授聊了聊这项研究。
图 | 论文的截图（来源：Science Advances）
打破传统，AI 赋能材料结构设计
尽管人们很早就认识到结构材料具有重要的应用价值和巨大潜力，但在设计上始终面临着不少挑战。
现有的结构材料设计通常采用受自然界生物启发或者拓扑优化（先猜测一个形状，然后不断进行优化）等手段。例如蜂巢状、骨骼形或者植物薄壁组织等形态结构，都来源于生物灵感。但问题是，自然界的生物并不一定是按照提供最佳结构性能的方式进化的，而要面临各种不同的生存问题，因此源于生物灵感的设计通常不能保证得到结构的最优解。
此外，自然界生物系统的可参考范围也是有限的，很多性能与功能更为理想的结构材料找不到相应的生物灵感作为参考。
拓扑优化方法在材料设计上也取得了成功，在一定范围内可以达到最优的结构。不过，拓扑优化法可能会受到最初对结构猜测的制约，不同的初始猜测可能来带不同的结构与属性。
最重要的，这些传统方法都需要有着丰富先验知识和经验的设计师来操作，并且最终可以提供选择的设计数量是有限的。简单来说，水平或许不一般，但人力终有限。
“如果机器可以给人提供更多的选择时，那么人们的精力就可以被释放，把更多的创造力投入到其他事情中。”赵选贺解释道，“将这些需要大量数据模拟计算的事情，交给机器去设计。”
但赵选贺在聊天中特别强调道：“我们所谓的设计，并不是指在原子层面的拆分组合，不是去设计材料，而是设计结构。”他表示，结构材料或微结构材料目前是一个新兴的领域，是通过设计材料的结构来追求某种性能。
图 | 设计复杂结构材料流程示意：A. 数据生成器，用于生成结构材料的配置和属性数据集；B. 数据集训练的 GANs；GANs 提出具有目标性能的新型结构材料设计方案（来源：Science Advances）
生成对抗网络这个概念最早由伊恩·古德费洛（Ian Goodfellow）提出，他是《深度学习》（Deep Learning）作者之一，被称为“GAN 之父”，是目前人工智能领域的顶级专家之一。简答来说，GANs 就是生成模型和判别模型之间的一个模仿游戏。
生成模型是为了模仿、建模并学习真实数据的分布规律。而判别模型，则是要判断所得到的输入数据是来自于现实，还是来自于另一个生成模型。之后，通过这两个内部模型之间的不断对抗，提高其生成能力和判别能力。
“但 GANs 在这里只是一个工具。”赵选贺对 DeepTech 说道，“它其实就是在烧大量数据，所以关键点在于数据，而且是要高质量、大规模的数据。”
因此在这项研究中，他与实验组学生最为关键的工作是提出了一种“生成数据的方法”。“我们首先提出了一个基于晶格的分类。简单来讲，结构可以被随机产生很多种，但如果完全随机产生，结构里有一些系统性的关联就失去了。所以我们先将随机产生的结果，根据晶格结构（对称性等）分成几大类。”他解释说。
然后，在每个晶格系统里，他们再把几百万个随机生成的结构上传，并通过大量计算，得出相应性能等相关内容的海量数据，最后再用这些数据训练 GANs。
有趣的是，他们的本意是想解决传统结构材料设计时的局限性，比如需要大量经验、有初始猜测限制，或者可提供的设计方案有限等问题。但最后的结果让他们发现，GANs 不仅提供了数量极多的选择范围，而且提供的材料结构在特性方面也能达到理论的极限，也就是能得到最佳的性能。
“我们在尝试解决传统设计方法所面临问题的同时，还尝试了一个非常复杂、非常有挑战性的例子——各项同性的结构材料怎样达到理论最高的杨氏模量。”赵选贺说，“过往文献里只有少数几种，都是人们凭借经验给出来的。而我们通过计算机生成了 400 多个不同的结果，这是以前靠人力很难做出来的。”
图 | 像素级结构材料插图：A. 建筑材料中的单元、元素和像素的定义；B. 利用 17 组晶体对称在二维空间中生成拓扑；A 和 B 中架构的孔隙度设置为 0.5（来源：Science Advances）
对于 400 多个结构是否都能被制造出来的问题，他向 DeepTech 表示：“我的学生通过激光切割的方法，已经实际做出其中十几种结构材料，还没有用 3D 打印尝试。总之，这 400 多种结构中有很大一部分是可以被制造出来。”
这项研究最为关键的，在于其开创了一个设计结构材料的新思路，并提供了一个平台化的系统。
“这是一个零经验就能得到与最好设计师做出来的结构设计性能相当的系统，而且除了在高硬度结构之外，其应用范围是很广泛的，也可以去做导热、导电、渗透性等多方向结构材料的设计。”赵选贺说。
AI 提供多重选择，以产业化应用为目标
当计算机可以给出结构材料的众多功能与性能选择时，是否给制造工艺上也带来了相应的难度？
“这是个好问题。但其实不管用不用 AI，所有的结构设计方案都会面临这个问题。”赵选贺答道，“通过传统的仿生学、试错迭代或者拓扑优化等方法，也都会面临生产的问题。而解决问题的办法，一般情况是设计师提出更多的方案，然后再从中选出适合生产的那一类型。”
所以，这项研究反而在一定程度上帮助解决了结构材料在制造工艺角度面临的阻碍，因为它给人们提供了更多的选择余地。
“对于一种结构材料来说，不仅要从工艺角度，还要从经济效益角度，甚至多功能的角度来看待问题。而当考虑的各个角度更多的时候，如果你有更多的选择，那么问题就会变得简单许多。”他说道。
对于未来的研究，他表示目前实验室在“两条腿走路”：一方面在做基础研究，侧重于材料的性能、结构等；另一方面就是应用研究，比如水凝胶生物电子、人工肌肉等。长期来看，最后两个方向会逐渐结合，将材料的性能和结构设计融合，投入到真正的产业化应用中。
个人简介
图 | 赵选贺教授（来源：本人）
赵选贺目前是麻省理工学院机械工程系的教授，在 2010 年~2014 年期间，他在杜克大学担任机械工程与材料学专业的助理教授。更早些时间，他在哈佛大学的生物医学工程专业进行博士后的研究工作。
他在 2003 年本科毕业于天津大学电气工程专业，之后在 2006 年取得加拿大英属哥伦比亚大学（The University of British Columbia）材料工程专业的硕士学位。随后，他前往哈佛大学学习，并在 2008 年获得机械工程专业硕士学位。一年后（2009 年），赵选贺又获得了哈佛大学机械工程专业博士学位。
他在麻省理工学院的实验室旨在利用材料、力学和生物技术等跨越多专业的综合知识，推进人机接口（界面）的科学技术，以应对健康与可持续性发展等领域的重大社会挑战。研究重点包括软体材料与设备的研究和开发，覆盖聚合物、水凝胶、生物粘合剂、生物电子学和医疗软体机器人等。
人体与各种电子器件的交互和融合是现代科学技术中前沿的问题之一。
赵选贺提出水凝胶是人机界面的最理想载体之一，并系统定义了水凝胶生物电子学的基本原理和材料设计原则。在 2018 年，他在英国皇家化学会的 Chemical Society Reviews 上发表题为《水凝胶生物电子学》（Hydrogel Bioelectronics）的特邀综述，给出了现有水凝胶电子材料的诸多例子，并建议了水凝胶生物电子学未来发展的方向。
而后，他研究团队在磁性形变材料和医疗机器人、人体双面胶，以及 3D 打印导电聚合物等领域的诸多研究成果被包括《自然》在内的多家顶级学术期刊发表。
