科研动态｜让AI在物理定律中“探路”——中山大学理学院沈翔瀛副教授课题组取得系列新进展

      在一张看似杂乱无章的网络中，究竟哪些连杆决定材料受压时向内“收腰”？无序又为何让应力更分散、裂纹走得更曲折？面对一段热量扩散的“影片”，能否从热斑的形状与速度中，反推出材料沿不同方向的热扩散率？

      这些问题一头连着非晶物质、弹性与热传导等基础物理，另一头连着轻质防护、芯片散热和无损检测等现实需求。它们的共同难点在于：可能的结构和参数组合多得难以穷举，而算法如果缺少物理约束或机制检验，也可能给出不稳定、难以解释甚至违背物理规律的答案。

      近期，中山大学理学院沈翔瀛副教授课题组及其合作者，围绕“物理机制驱动的机器学习”开展系列研究，在无定形力学超材料设计、非晶网络负泊松比机理以及各向异性热场反演等方向取得新进展。相关两项原创研究及一篇综述分别发表于 Physical Review X、Advanced Intelligent Discovery 和《物理学报》。三项工作贯穿着一条共同主线：让数据搜索与物理约束、机制解释相互校正，使人工智能不仅能够“找到答案”，也能帮助人们理解答案从何而来。
      成果一：在无序结构的“能量地形”中，找到更轻、更韧的拉胀材料普通海绵被压缩时会向两侧鼓起，被拉伸时则会变细。负泊松比材料恰好相反：受压时横向收缩，受拉时横向扩张，因此也被称为“拉胀材料”。这种反常形变有利于分散冲击和吸收能量，在头盔、盾牌和汽车缓冲结构等场景中具有潜在价值。

      传统拉胀超材料大多像铺瓷砖一样，由同一种精巧单元周期性重复排列。规律的结构便于设计，却也容易形成固定的受力方向和薄弱带。无定形网络没有重复单元，能够减弱方向偏置，并为载荷和裂纹提供更多“绕行路线”；但它的连接方式近乎无穷，如何从中找到既稳定又高性能的结构，一直是材料设计中的难题。

      中山大学理学院沈翔瀛副教授与香港中文大学、中国科学技术大学、哈尔滨工业大学（深圳）、深圳大学等单位合作，提出物理约束的能量模型框架。研究人员从一个受到扰动的三角网络出发，把每根连杆是否保留视为一个可以选择的变量，并构造了一张“能量地形”：结构的泊松比越接近目标负值、沿两个主轴的响应越接近，其设计“能量”就越低；同时，模型要求候选网络的平均配位数——即每个节点平均连接的杆件数——不低于二维Maxwell阈值，以剔除明显不稳定的候选并降低失稳风险。

      寻找优化结构的过程，就像让一颗小球在群山之间寻找较深的山谷。团队采用源于统计物理的玻尔兹曼退火：在高“温”阶段允许搜索暂时走向较差的方案，以跳出局部低谷；随后逐步“降温”，使结构落入更低的设计能量状态。更重要的是，这一方法并非纯粹的算法黑箱。通过将能量函数在给定参考结构附近局部映射为类似伊辛模型的形式，研究人员可以估计单根连杆对设计能量的局部贡献，以及连杆对之间的协同或对抗。

基于物理约束EBM框架的结构设计：（a） 由受扰三角晶格配置衍生的初始状态，（b） 物理约束EBM框架的示意图，（c） 最终优化状态，(d) 仅由凸多边形组成的NPR系统，（e） 由凸多边形和凹多边形（即内凹多边形）共同组成的NPR系统，（f） 具有正泊松比的规则晶格（即传统菱形网络），（g）–(i) 对上述结构进行压缩后出现的负泊松比或正泊松比。

       团队进一步使用TPU材料3D打印样品，并开展准静态压缩、落锤冲击和预制裂纹断裂实验。结果显示，优化结构在5%应变下的泊松比最低约为−0.6，且两个正交主轴的响应接近，显著降低了方向差异。与周期结构相比，无定形网络中的高应力不易排成一条笔直的“拥堵带”，而是更分散地在网络中传递。这种应力分流带来了优化目标之外的“涌现性能”：相较论文采用的最佳周期拓扑优化样品CPS，在密度低约10%的情况下，最佳无定形负泊松比样品的比吸能仍高22%；最优样品的比断裂能为2.98 J/g，而有序负泊松比BCPS对照为0.66 J/g，前者达到后者的约4.52倍。周期格栅中的裂纹往往沿较短路径迅速贯穿，而在无序网络中，裂纹如同进入迷宫，需要不断转向、分叉和汇合，因而消耗更多能量。负泊松比造成的形变重分配与无序导致的裂纹偏转形成协同增韧；落锤实验同时显示，无定形负泊松比样品具有更好的冲击吸能表现。

      –(f) 基于物理约束EBM框架设计的原型材料结构，由七个通过镜像对称组合的单元胞组成。（a） 基于NPR 1-Conv单元胞的NPR凸材料，（b） 基于NPR1-Convconc 单元胞，（c） 基于CPS 单元胞的 NPR 材料，（d） 基于PPR 4-Conv 单元胞的 PPR-凸材料，（e） 基于PPR 3-Convconc 单元胞的 PPR-凸  凹材料，（f） 基于Rhombus 单元胞的 PPR 材料。（g）–(i) 在 10-（低）、50-（中）和 150-J（高）载荷下的抗冲击能力。（j） 对所有样品的单位质量吸收冲击能量进行了评估，其中的无序NPR 样品、NPR 1-Conv 和 NPR 1-Convconc 在所有测试结构中表现最佳，位列前两名。

      相关工作以“Unlocking Emergent Resilience in Amorphous Metamaterials via a Physics-Constrained Energy-Based Framework”为题发表于 Physical Review X，并获APS《Physics》栏目选介（Featured in Physics）。沈翔瀛副教授为共同通讯作者、共同指导者之一，参与研究构思和设计，负责推导物理约束能量模型。

成果二（综述）：AI先“发现”，物理再“解释”——追问负泊松比从何而来

      能够设计出“越拉越宽”的材料之后，还要回答一个更基础的问题：它为什么会这样形变？

      对晶体而言，周期单元提供了清晰的结构线索；对非晶网络而言，内部节点在受力后并不会像方格纸上的点那样整齐移动，而会像拥挤人群一样各自侧身、绕行和重新平衡。这种偏离均匀形变的局部运动被称为“非仿射响应”。无数局部调整叠加后，才形成材料整体的弹性，因此很难只凭某个局部形状，预先判断宏观泊松比。

      从宏观弹性看，泊松比取决于材料抵抗体积变化的体积模量K和抵抗形状改变的剪切模量G。在二维各向同性近似下，只有当G相对K足够大、即G>K时，泊松比才会变为负值。因此，追问负泊松比的起源，本质上是在追问：无序结构如何以不同方式改变这两种弹性响应？

      中山大学理学院沈翔瀛副教授课题组在Advanced Intelligent Discovery 发表综述，系统梳理了多种物理图景，包括临界附近的非仿射响应及其造成的体积、剪切响应差异，局部三角单元的旋转，凹入多边形像“铰链”一样张开，以及晶格模型中倒易空间拓扑变化对高连接非晶网络提供的启发。文章同时指出，多种机制可能在不同网络中共同存在，不能把非晶网络的拉胀行为简单归结为唯一的几何图案。

      AI辅助研究中的全局优化算法，为跳出既有直觉提供了新的“探针”。文章梳理的代表性研究中，模拟退火在多类无序网络里找到了完全由凸多边形组成的负泊松比结构，说明至少在所研究的二维中心力网络中，传统的凹入式单元并非产生拉胀效应的必要条件。进一步的简正模分析显示，宏观泊松比往往主要受一两个低频振动模式支配。网络虽然拥有成千上万种振动方式，真正决定整体形变的却可能只是少数几个“低音共振”：当具有负泊松比特征的低频模式更容易被外力激发时，材料整体便会表现出拉胀行为。

      经典的拉胀结构与通过机器学习发现的拉胀结构在根本上有所不同。（a）–（c）这三种经典结构，其特征分别为ν < 0、ν > 0 和 ν  0，均源自基本的领结结构。（d）–（l）这三行分别对应于三种不同的非晶体系。在每一行中，中间面板显示原始结构，左右两侧面板则显示机器学习发现的负值和更正值的构型。显然，在左侧面板的拉胀结构中，没有经典拉胀结构中通常存在的凹形结构。另请注意，左侧的负ν面板在结构上与右侧的正ν面板非常相似，且z值几乎相同。

      这一认识还能反过来帮助AI。与其只给神经网络一张结构“照片”，不如直接给它编码连接关系、刚度和振动信息的动力学矩阵。前者像让AI观察电路外观，两根导线交叉时可能被误认成接点；后者则像提供电路原理图，明确告诉模型哪些节点真正相连。在该代表性研究采用的具体模型、数据与对照设置下，使用动力学矩阵后，训练样本由3640个减少到455个，预测均方根误差由0.12降至0.02，同时显著缩短训练与推断时间。由此形成了“算法发现反直觉结构—物理分析揭示低频模式—物理机制反哺算法”的闭环。该综述并非把所有现象归结为单一答案，而是为复杂无序体系的研究提供了一种方法论：AI不只用来给出数值，物理也不只用来事后说明；二者可以在持续迭代中共同产生新的可检验认识。该文题为“Explaining the Origin of Negative Poisson’s Ratio in Amorphous Networks With Machine Learning”，由中山大学理学院完成，2025级博士卢盛宇为第一作者，沈翔瀛副教授为通讯作者。

      成果三：从热场“电影”中毫秒级反演材料的方向信息

      如果在一块各向同性材料上加热，热量通常会近似均匀地向四周扩散，热斑像不断放大的圆；在各向异性材料中，热量沿不同方向“跑得”快慢不同，热斑会逐渐拉成长短轴不同的椭圆。这段形状随时间变化的热场“电影”，实际上隐藏着材料沿不同方向的热扩散率。

      准确获得热扩散张量，对芯片散热、复合材料检测和新型能源器件十分重要。传统反演方法通常需要不断猜测参数、反复求解热传导方程，再将计算结果与观测热场比较；一次反演可能经历大量迭代，还可能落入错误的局部最优。标准物理信息神经网络也常常需要针对每个新样本重新训练或优化，难以满足实时检测需求。

      针对这一问题，中山大学理学院2026级博士生钟嘉晨与合作者，提出融合物理一致性约束的轻量卷积神经网络框架。团队没有只采用中心热源，而是将四个独立激励位置排列成环，分别从多个方位“询问”材料，使两个主轴上的扩散速度更容易区分；随后在数值模拟中生成每个激励下的30帧早期热场，并使用掩膜机制减少边界对有效信号的干扰。

      模型训练分为两步：先通过数值样本学习热场与参数之间的对应关系，再把预测结果代回热传导方程，检查它能否正确预报下一帧温度场。换句话说，神经网络不仅要“猜得像”，还必须通过物理定律这道复核题。一次性的离线训练完成后，面对本文参数范围与相同物理设定内的新热场即可直接输出参数，无需从头反复迭代，这种方式称为带物理先验的“摊销推断”。

      神经网络解决热场反演问题的流程示意图

      在论文所研究的二维数值场景及参数范围内，该方法能够独立反演两个主轴热扩散率，平均相对误差控制在3%以内，单次推断达到毫秒级。物理一致性约束尤其改善了小扩散率区间的稳定性：当热量移动得很慢、不同参数产生的图像看上去几乎一样时，下一帧的动力学差异仍能帮助模型辨别它们。

      相关工作以“卷积神经网络加速热场反演”为题发表于《物理学报》“热传导及其相关交叉领域研究”专题。中山大学理学院2026级博士生钟嘉晨为第一作者，沈翔瀛副教授为共同通讯作者，中山大学理学院为第一署名单位。当前研究主要基于主轴与坐标轴对齐的二维数值模型；真实热成像实验、旋转主轴、复杂边界和非均匀材料，将是后续走向工程应用需要继续检验的问题。

      从“找到答案”到“理解答案”

      上述两项原创研究与一篇综述，展示了三种互补的“物理—AI”协作方式：以稳定性约束结构搜索；从全局优化得到的反直觉结构中提炼低频模机制，并把机制反馈给模型；以热传导方程检验和约束快速反演。它们的共同点不是遵循同一套固定步骤，而是让数据搜索与物理约束、机制解释相互校正。

      中山大学理学院沈翔瀛副教授课题组的系列工作表明，人工智能不仅可以成为更快的计算工具，也可以成为连接“结构—机制—性能”的物理研究工具：它帮助人们探索难以穷举的可能性；物理定律则为搜索划定边界、为结果提供解释，并推动下一轮算法更可靠、更高效。
 

      研究团队简介沈翔瀛，中山大学理学院副教授、博士生导师，长期从事非平衡态统计物理、复杂系统和超构材料研究。课题组主要聚焦于：（1）机器学习与结构优化；（2）多物理场耦合自适应、自组织系统；（3）非平衡态统计物理基础研究。欢迎感兴趣的老师和同学与研究团队交流，联系方式：shenxy66@sysu.edu.cn。