摘要：在过去十年，3D打印等增材制造技术不断刷新材料结构设计的可能性，材料设计的重心也从宏观外形优化逐步下沉到微观甚至像素级的结构布局——即数字材料（Digital Materials, DM）。在这一框架下，材料被“拆分”成规则网格的体素（voxels），每个体素
海归学者发起的公益学术平台
分享信息，整合资源
交流学术，偶尔风月
本研究以微机械盘状谐振器（MEMS resonator）的多频率定制设计作为切入点，探索多目标数字材料设计的新途径，该谐振器的结构如图1所示。该器件具有多个可调振动模态，是检验多目标设计方法性能的理想平台。
Fig. 1Geometrical parameters of the MEMS resonator. The dimensions are:
Da= 44μm，Db= 30.8 μm，t= 2 μm，d= 1.76 μm，w= 0.88 μm来自加州大学伯克利分校与普渡大学的联合团队，首次将无分类器条件去噪扩散概率模型（cDDPM）引入多目标数字材料设计，打造出一个真正意义上“所键即所得”的AI定制器。cDDPM的工作原理和架构如图2所示：用户只需输入目标性能参数（如不同振动模态的共振频率），模型便可像文生图生成一样，从随机噪声开始逐步“去噪”，在数百步迭代中生成满足条件的结构布局。
Fig. 2 Overview of the MEMSGen design process for MEMS resonators with targeted properties. (a)The core process of MEMSGen starts with random noise and progresses through coarse and fine structure formation stages to generate the desired MEMS design. (b) The detailed architecture of MEMSGen consists of a U-Net model
研究团队基于29,430组有限元分析（FEA）模拟数据，对盘状谐振器的四个不同振动模态共振频率进行了同步定制训练，预测精度超过95%，在单目标任务中更是达到99%。更重要的是，cDDPM方法在应对不切实际的目标参数时依然展现出极高的鲁棒性——即便目标超出物理可行域，模型仍能生成接近最优的可行方案。此外，与传统cGAN不同，cDDPM有效避免了模式崩溃问题，并在生成多样化设计的同时保持了高精度。
这种方法不仅能应用于微谐振器，还可扩展到其他多性能约束的数字材料设计场景，如同时优化刚度与韧性、热导率与质量等多目标任务。该成果展示了生成式AI跨界赋能工程设计的巨大潜力——未来，从MEMS器件到多功能结构材料，甚至航空航天关键部件，都有望实现“所键即所得”的快速定制。该文近期发表于npj Computational
来源：知社学术圈
