近日，上海大学材料基因组工程研究院张统一院士、孙升研究员与香港理工大学杨许生教授合作，提出一种力学超结构/超材料结构-性能双向智能设计新方法，成果以“Contrastive learning for representation-first metamaterial design”为题发表于力学领域国际顶级期刊《International Journal of Mechanical Sciences》（2025 年影响因子：11.4）。
力学超材料的宏观性能由几何拓扑决定，负泊松比（NPR）和压扭耦合（CTC）等结构在软体机器人、生物医学器件和航空航天等领域具有应用潜力。然而，现有数据驱动方法通常直接在原始输入和输出上训练模型，未充分利用结构-性能之间内在的语义关联，导致代理模型收敛慢、生成模型条件控制能力有限。
针对这一问题，研究团队通过拓扑优化和数值均匀化构建了包含10,080个微结构图像-弹性刚度矩阵配对样本的多模态数据库，并设计跨模态对比学习策略，将微结构图像与力学性能映射到共享的128维潜空间，实现了图像到性能、性能到图像的双向跨模态检索。这种语义预对齐表示为下游任务提供了统一的物理先验：
l 在正向预测方面，轻量级代理模型以预训练图像表示为输入，能够快速收敛并高精度预测弹性刚度矩阵，平均决定系数R⟡达到0.989；
l 在逆向生成方面，条件扩散模型以性能嵌入为条件，可生成多种满足目标力学性能约束的微结构，生成一致性R⟡达到0.985，优于消融实验基于原始数据输入的基线方法。
团队还通过有限元模拟和3D打印热塑性聚氨酯（TPU）样件的压缩实验，验证了基于噪音生成的CTC和NPR超材料的可制造性与功能特性。
在此基础上，团队将对比学习编码器、代理模型、扩散生成模型、性能分析模块以及CAD建模和有限元接口集成到基于大语言模型的智能体SynthMorph中，实现了交互式对话的结构-性能跨模态推理：用户上传微结构图像即可预测力学性能并开展仿真验证，指定目标刚度矩阵则可生成候选微结构并完成CAD/FEM验证。
该论文是在上海大学——香港理工大学“材料智能设计与制造联合实验室”合作框架下完成的，上海大学材料基因组工程研究院为第一完成单位，博士生王梦欢为第一作者，上海大学孙升研究员和香港理工大学杨许生教授为共同通讯作者。该研究得到国家科技重大专项、国家自然科学基金和上海市教委“人工智能赋能科学研究计划”等资助。
这是课题组继超材料/超结构“应力——应变曲线”的逆向生成式设计（https://www.sciengine.com/SCTS/articleIndex?doi=10.1007/s11431-026-3425-8）和“力学斗篷”的两尺度逆向生成式设计（https://doi.org/10.1016/j.taml.2026.100723）后，在超结构/超材料逆向生成式设计方向的又一创新成果。
论文链接：https://doi.org/10.1016/j.ijmecsci.2026.112210