GraphMetamat, un marco de diseño inverso, permite a los usuarios crear diseños metamateriales, representados como gráficos, completamente desde cero según las entradas personalizadas. Su sistema de IA luego agrega iterativamente nodos y bordes gráficos para definir la geometría y la topología del material e integra limitaciones de fabricación y defectos. Crédito: los investigadores
Muchos productos industriales, desde parachoques de automóviles hasta paneles aeroespaciales e implantes médicos, aconsejan su rendimiento hasta materiales celulares ligeros. Estos sintéticos trabajadores están diseñados para cumplir objetivos de funcionalidad específicos, pero con demasiada frecuencia, los defectos introducidos durante el proceso de fabricación pueden conducir a un rendimiento inferior o incluso una falla catastrófica.
Ahora, un equipo de investigadores liderados por UC Berkeley ha desarrollado un nuevo marco impulsado por la IA que puede diseñar de manera más eficiente los metamateriales de truss 3D, un tipo de estructura con propiedades mecánicas extraordinarias, capacidades de absorción de sonido y sintonizabilidad, al tiempo que minimiza su sensibilidad a los defectos.
En su artículo publicado En la inteligencia de la máquina de la naturaleza, los investigadores demuestran cómo su método de modelado pendiente de patente, denominado GraphMetamat, utiliza técnicas de aprendizaje profundo para cerrar la brecha entre el diseño de metamateriales y la capacidad de fabricación, allanando el camino para materiales nuevos y muy útiles.
“Hasta ahora, la mayor parte del trabajo realizado en el diseño de IA y materiales ha estado en el dominio teórico y computacional, donde le dan el diseño que funciona bien en condiciones ideales”, dijo Xiaoyu (Rayne) Zheng, profesor asociado de ciencia e ingeniería de materiales y el investigador principal del estudio.
“GraphMetamat muestra que AI puede brindarle un diseño realista adaptado para un método de fabricación específico, como la impresión 3D, y optimizado para resistir varios defectos relacionados con la fabricación. Prepara el escenario para el diseño automático de materiales fabricables y tolerantes a defectos con funcionalidades a pedido”.
Si bien los avances en el diseño y la fabricación aditivos basados en datos han acelerado significativamente el desarrollo de metamateriales de armadura, Zheng explicó que los enfoques de diseño inverso existentes tienen limitaciones inherentes. Pueden generar metamateriales con propiedades lineales objetivo, como la elasticidad, pero luchan por capturar comportamientos no lineales más complejos, como la absorción de energía, necesarias para elementos como los parachoques de automóviles y el equipo deportivo protector.
“Los métodos de diseño como la optimización de la topología o un enfoque iterativo guiado por la intuición son buenos para predecir respuestas simples”, dijo Zheng. “Pero para muchos problemas del mundo real, estos enfoques no pueden diseñar de manera eficiente los materiales con la funcionalidad requerida, la fabricación y la tolerancia a los defectos introducidos durante la fabricación”.
Recientemente, los investigadores consideraron el uso de redes neuronales Graph para el diseño de metamateriales, ya que esto ha demostrado ser una herramienta poderosa en el descubrimiento de fármacos. Pero había pocos o ningún datos de capacitación disponibles para diseñar metamateriales.
Zheng y sus compañeros investigadores resolvieron este problema integrando múltiples técnicas de aprendizaje profundo (aprendizaje de refuerzo, aprendizaje de imitación, un modelo sustituto y búsqueda de árboles de Monte Carlo) en GraphMetamat.
“Los usuarios pueden crear diseños metamateriales, representados como gráficos, completamente desde cero en función de las entradas personalizadas, como una curva de tensión -deformación deseada o brechas de atenuación de vibración específicas donde las ondas mecánicas se bloquean en ciertas frecuencias”, dijo Marco Maurizi, investigador postdoctoral en el departamento de ciencia de los materiales y la ingeniería y autor principal del estudio. “Nuestro sistema de IA luego agrega iterativamente nodos y bordes gráficos para definir la geometría y la topología del material”.
Lo más importante, según Zheng, GraphMetamat también puede integrar limitaciones de ingeniería en los gráficos, incluidas las limitaciones de fabricación y defectos.
“GraphMetamat tiene la capacidad única de tener en cuenta las imperfecciones inducidas por la fabricación”, dijo. “Esta innovación cambia el juego porque asegura que los metamateriales generados no fallarán si desarrollan un pequeño defecto durante la fabricación”.
En su prueba de concepto, los investigadores usaron GraphMetMat para diseñar metamateriales de armadura ligeros optimizados para la absorción de energía y la mitigación de vibraciones a varias frecuencias. Para cada caso de uso, el metamaterial generado superó constantemente los materiales tradicionales, incluidas las espumas poliméricas y los cristales fonónicos.
“Según nuestros hallazgos, GraphMetamat tiene el potencial de redefinir el paradigma de diseño”, dijo Zheng. “Esto abre la puerta a nuevas y emocionantes posibilidades para crear metamateriales realistas de alto rendimiento”.
Más información: Marco Maurizi et al, diseñando metamateriales con respuestas no lineales programables y restricciones geométricas en el espacio gráfico, Nature Machine Intelligence (2025). Doi: 10.1038/s42256-025-01067-x
Proporcionado por la Universidad de California – Berkeley
Cita: el marco dirigido por IA crea metamateriales tolerantes a defectos con funcionalidad compleja (2025, 24 de julio) Recuperado el 24 de julio de 2025 de https://techxplore.com/news/2025-07-ai-drivenframework-fecting-tolerant.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
