一些具有地標意義、世界著名的建築，在設計之初便有著其結構與選材等角度的獨到之處。
例如法國的文化象徵之一，也是巴黎最高的地標建築，被法國人愛稱為“鐵娘子”的埃菲爾鐵塔。其得名於設計它的著名建築師、結構工程師古斯塔夫·埃菲爾（Gustave Eiffel），而這座鐵塔採用預製拼裝的方法，全部由鋼材建設而成。
當初，埃菲爾鐵塔的結構設計可謂爭議不斷，一方面是其風格與盧浮宮、巴黎聖母院和凱旋門等擁有悠久歷史的古典建築群格格不入，另一方面則是對其百分百鋼架鏤空結構的不信任。不過實際上，在那個年代用古建築風格的石料是很難建成高達 324 米的建築，所以對鋼結構的設計與選擇是正確的。
如今，隨著材料學與計算機技術的不斷髮展，人們對材料結構的設計範圍已從米進入了納米的尺度；並且適用範圍也從最為宏大的建築材料，擴展為橫跨輕質結構、隔熱、電池電極、催化劑支架、光學和聲學超材料等眾多應用領域。此外，增材製造技術的快速進步也讓更為複雜的結構材料在規模化生產的技術與經濟角度上變得可行。
那麼問題來了，怎樣找到一種簡單快速且系統化的方法來設計複雜的結構材料呢？麻省理工學院趙選賀教授最近的一項研究，開發出一個利用生成式對抗網絡（GANs）來設計複雜結構材料的“平臺化”系統。這項研究發表在 4 月 24 日最新一期的 Science Advances 雜誌上。為此，DeepTech 專門與趙選賀教授聊了聊這項研究。
圖 | 論文的截圖（來源：Science Advances）
打破傳統，AI 賦能材料結構設計
儘管人們很早就認識到結構材料具有重要的應用價值和巨大潛力，但在設計上始終面臨著不少挑戰。
現有的結構材料設計通常採用受自然界生物啟發或者拓撲優化（先猜測一個形狀，然後不斷進行優化）等手段。例如蜂巢狀、骨骼形或者植物薄壁組織等形態結構，都來源於生物靈感。但問題是，自然界的生物並不一定是按照提供最佳結構性能的方式進化的，而要面臨各種不同的生存問題，因此源於生物靈感的設計通常不能保證得到結構的最優解。
此外，自然界生物系統的可參考範圍也是有限的，很多性能與功能更為理想的結構材料找不到相應的生物靈感作為參考。
拓撲優化方法在材料設計上也取得了成功，在一定範圍內可以達到最優的結構。不過，拓撲優化法可能會受到最初對結構猜測的制約，不同的初始猜測可能來帶不同的結構與屬性。
最重要的，這些傳統方法都需要有著豐富先驗知識和經驗的設計師來操作，並且最終可以提供選擇的設計數量是有限的。簡單來說，水平或許不一般，但人力終有限。
“如果機器可以給人提供更多的選擇時，那麼人們的精力就可以被釋放，把更多的創造力投入到其他事情中。”趙選賀解釋道，“將這些需要大量數據模擬計算的事情，交給機器去設計。”
但趙選賀在聊天中特別強調道：“我們所謂的設計，並不是指在原子層面的拆分組合，不是去設計材料，而是設計結構。”他表示，結構材料或微結構材料目前是一個新興的領域，是通過設計材料的結構來追求某種性能。
圖 | 設計複雜結構材料流程示意：A. 數據生成器，用於生成結構材料的配置和屬性數據集；B. 數據集訓練的 GANs；GANs 提出具有目標性能的新型結構材料設計方案（來源：Science Advances）
生成對抗網絡這個概念最早由伊恩·古德費洛（Ian Goodfellow）提出，他是《深度學習》（Deep Learning）作者之一，被稱為“GAN 之父”，是目前人工智能領域的頂級專家之一。簡答來說，GANs 就是生成模型和判別模型之間的一個模仿遊戲。
生成模型是為了模仿、建模並學習真實數據的分佈規律。而判別模型，則是要判斷所得到的輸入數據是來自於現實，還是來自於另一個生成模型。之後，通過這兩個內部模型之間的不斷對抗，提高其生成能力和判別能力。
“但 GANs 在這裡只是一個工具。”趙選賀對 DeepTech 說道，“它其實就是在燒大量數據，所以關鍵點在於數據，而且是要高質量、大規模的數據。”
因此在這項研究中，他與實驗組學生最為關鍵的工作是提出了一種“生成數據的方法”。“我們首先提出了一個基於晶格的分類。簡單來講，結構可以被隨機產生很多種，但如果完全隨機產生，結構裡有一些系統性的關聯就失去了。所以我們先將隨機產生的結果，根據晶格結構（對稱性等）分成幾大類。”他解釋說。
然後，在每個晶格系統裡，他們再把幾百萬個隨機生成的結構上傳，並通過大量計算，得出相應性能等相關內容的海量數據，最後再用這些數據訓練 GANs。
有趣的是，他們的本意是想解決傳統結構材料設計時的侷限性，比如需要大量經驗、有初始猜測限制，或者可提供的設計方案有限等問題。但最後的結果讓他們發現，GANs 不僅提供了數量極多的選擇範圍，而且提供的材料結構在特性方面也能達到理論的極限，也就是能得到最佳的性能。
“我們在嘗試解決傳統設計方法所面臨問題的同時，還嘗試了一個非常複雜、非常有挑戰性的例子——各項同性的結構材料怎樣達到理論最高的楊氏模量。”趙選賀說，“過往文獻裡只有少數幾種，都是人們憑藉經驗給出來的。而我們通過計算機生成了 400 多個不同的結果，這是以前靠人力很難做出來的。”
圖 | 像素級結構材料插圖：A. 建築材料中的單元、元素和像素的定義；B. 利用 17 組晶體對稱在二維空間中生成拓撲；A 和 B 中架構的孔隙度設置為 0.5（來源：Science Advances）
對於 400 多個結構是否都能被製造出來的問題，他向 DeepTech 表示：“我的學生通過激光切割的方法，已經實際做出其中十幾種結構材料，還沒有用 3D 打印嘗試。總之，這 400 多種結構中有很大一部分是可以被製造出來。”
這項研究最為關鍵的，在於其開創了一個設計結構材料的新思路，並提供了一個平臺化的系統。
“這是一個零經驗就能得到與最好設計師做出來的結構設計性能相當的系統，而且除了在高硬度結構之外，其應用範圍是很廣泛的，也可以去做導熱、導電、滲透性等多方向結構材料的設計。”趙選賀說。
AI 提供多重選擇，以產業化應用為目標
當計算機可以給出結構材料的眾多功能與性能選擇時，是否給製造工藝上也帶來了相應的難度？
“這是個好問題。但其實不管用不用 AI，所有的結構設計方案都會面臨這個問題。”趙選賀答道，“通過傳統的仿生學、試錯迭代或者拓撲優化等方法，也都會面臨生產的問題。而解決問題的辦法，一般情況是設計師提出更多的方案，然後再從中選出適合生產的那一類型。”
所以，這項研究反而在一定程度上幫助解決了結構材料在製造工藝角度面臨的阻礙，因為它給人們提供了更多的選擇餘地。
“對於一種結構材料來說，不僅要從工藝角度，還要從經濟效益角度，甚至多功能的角度來看待問題。而當考慮的各個角度更多的時候，如果你有更多的選擇，那麼問題就會變得簡單許多。”他說道。
對於未來的研究，他表示目前實驗室在“兩條腿走路”：一方面在做基礎研究，側重於材料的性能、結構等；另一方面就是應用研究，比如水凝膠生物電子、人工肌肉等。長期來看，最後兩個方向會逐漸結合，將材料的性能和結構設計融合，投入到真正的產業化應用中。
個人簡介
圖 | 趙選賀教授（來源：本人）
趙選賀目前是麻省理工學院機械工程系的教授，在 2010 年~2014 年期間，他在杜克大學擔任機械工程與材料學專業的助理教授。更早些時間，他在哈佛大學的生物醫學工程專業進行博士後的研究工作。
他在 2003 年本科畢業於天津大學電氣工程專業，之後在 2006 年取得加拿大英屬哥倫比亞大學（The University of British Columbia）材料工程專業的碩士學位。隨後，他前往哈佛大學學習，並在 2008 年獲得機械工程專業碩士學位。一年後（2009 年），趙選賀又獲得了哈佛大學機械工程專業博士學位。
他在麻省理工學院的實驗室旨在利用材料、力學和生物技術等跨越多專業的綜合知識，推進人機接口（界面）的科學技術，以應對健康與可持續性發展等領域的重大社會挑戰。研究重點包括軟體材料與設備的研究和開發，覆蓋聚合物、水凝膠、生物粘合劑、生物電子學和醫療軟體機器人等。
人體與各種電子器件的交互和融合是現代科學技術中前沿的問題之一。
趙選賀提出水凝膠是人機界面的最理想載體之一，並系統定義了水凝膠生物電子學的基本原理和材料設計原則。在 2018 年，他在英國皇家化學會的 Chemical Society Reviews 上發表題為《水凝膠生物電子學》（Hydrogel Bioelectronics）的特邀綜述，給出了現有水凝膠電子材料的諸多例子，並建議了水凝膠生物電子學未來發展的方向。
而後，他研究團隊在磁性形變材料和醫療機器人、人體雙面膠，以及 3D 打印導電聚合物等領域的諸多研究成果被包括《自然》在內的多家頂級學術期刊發表。
