简介：本文从原理层面解析AI生成超材料时如何避免“照搬训练样本”与“生成不可用结构”的两难问题。文章围绕潜空间整理、近邻排斥采样、几何合理性约束与评估指标展开，说明生成模型在保持结构新颖性的同时提升可制造性的底层机制，并分析该思路在结构材料设计中的适用边界与常见误区。
超材料是一类通过内部微观几何结构获得反常宏观力学特性的人工材料。与普通材料依赖化学成分或配方不同，超材料的负泊松比、高比刚度、高能量吸收等性能主要来自单胞级别的空间构型。因此，超材料设计的核心问题不是“选什么材料”，而是“设计什么几何”。
近年来，生成模型被引入超材料设计，目的是在庞大的结构空间中批量产生候选单胞。然而，生成模型面临一个典型困境：当模型严格拟合训练数据分布时，生成结果往往只是训练样本的微小变体，新颖性不足；当模型被鼓励远离训练数据时，又容易产生几何断裂、孤立漂浮体、空结构等不可制造或不可仿真的“废件”。
本文要解释的技术原理，是一种在生成过程中同时施加“远离已知样本”和“保持在可用结构范围内”双重约束的方法。其核心思路可以概括为：先在潜空间中建立清晰的结构可用性边界，再在采样阶段只对近距离的已知样本施加排斥力，使生成结果既不复制旧结构，又不越过可制造边界。
要理解该方法的价值，需要先明确生成模型在超材料设计中的两个失败模式。
第一，过度贴近训练分布。
扩散模型、变分自编码器或生成对抗网络在训练时都隐式或显式地学习训练数据的概率分布。采样或解码阶段，模型倾向于输出位于训练分布高密度区域的样本。对于图像生成，这会表现为生成结果与训练图片风格相似；对于超材料单胞生成，则会表现为结构拓扑与已有设计高度雷同。虽然这些结构可能几何合理，但对设计者而言，它们没有提供足够多的新候选方案，搜索效率提升有限。
第二，过度远离训练分布。
如果只鼓励模型探索远离训练样本的区域，生成过程会进入潜空间中缺乏充分学习信号的位置。解码器在这些区域容易产生不合理输出：体素网格可能断裂成互不连通的块、出现漂浮的实心区域、或者整个体积为空。这些结构无法被制造，甚至无法进行有限元仿真。更糟的是，如果模型训练时没有显式建模几何约束，这种不合理输出在远离分布中心时会迅速增加。
因此，核心矛盾不是“生成能力不够强”，而是“可生成区域”与“可制造区域”并不重合。单纯提高生成多样性，只会扩大第一类区域，未必扩大第二类区域。
生成模型通常将高维结构映射到低维潜空间，再在潜空间中进行采样。潜空间的每个点经过解码器还原为一个完整结构。如果训练得当，潜空间中相近的点对应相似的结构拓扑，远离的点对应差异较大的结构。
这种几何直觉是该方法的基础：如果要生成新结构，就需要从已知样本在潜空间中的位置出发，沿某个方向移动到新的区域。问题在于，潜空间并非各向同性，不同方向上结构可用性的衰减速度不同。有些方向很快进入废件区域，有些方向则能在较长距离内保持几何合理性。
超材料通常被分解为单胞，然后在三个空间方向上周期复制。单胞不是孤立的三维形状，它需要满足周期性边界条件：当单胞沿x、y、z方向拼接时，边界上的实体与实体、空隙与空隙必须对齐，否则宏观结构会产生不连续或应力集中。
这意味着“几何合理”不仅包括单胞内部的连通性、实体占比等指标，还包括跨边界的连续性。很多从视觉生成模型迁移过来的方法忽略了这一点，导致生成结果在单胞级别看似合理，周期复制后却出现边界错位。
体素表示将单胞离散为规则的三维网格，每个网格单元标记为实心或空心。这种表示的统一性在于：桁架结构、壳体结构、多孔结构都可以用同一种数据格式描述，不需要为每种结构类型单独设计生成流程。
对生成模型的编码器而言，体素网格可以直接作为三维卷积或三维Transformer的输入；对解码器而言，输出层的每个体素位置可以输出一个二值或连续概率。这种格式避免了图表示中节点数量可变、边连接稀疏的问题，也避免了二维拉伸表示中第三方向性能退化的问题。
该方法在概念上可以拆分为两个相互配合的模块。
第一个模块在训练阶段改造自编码器的潜空间。它的目标是让潜空间满足两个条件：第一，好结构与坏结构在潜空间中尽可能分得开；第二，好结构在潜空间中尽可能铺得均匀，避免密集堆积在少数区域。
这种正则化可以理解为在潜空间中对样本位置施加三种“力”：
这三种力共同作用的结果是：潜空间中“可用区域”的边界变得更加清晰，且可用区域内部的空间利用率更高。这为后续的排斥采样提供了可靠的操作基础。如果跳过这一步，直接在未经整理的潜空间中做远离采样，模型无法判断“多远算安全”，很容易一步跨入废件区域。
第二个模块在推理阶段引导扩散模型的采样过程。扩散模型从随机噪声出发，逐步去噪得到潜空间中的一个点，再解码为结构。标准扩散采样每一步只依赖当前噪声状态和学到的分数函数；而该机制在每一步额外加入一个排斥项。
这个排斥项的特殊之处在于它的作用范围。它并不对所有已知样本都产生排斥，只有当当前采样点与某个已知样本在潜空间中的距离小于某个阈值时才施加。这样设计的原因在于：
这种机制可以用一个比喻来理解：它不是把采样点推出整个城市，而是避免采样点站在已经有人站过的地方，给它留出附近足够的空地。
完整的流程可以拆解为训练阶段与推理阶段。
第一步，构建包含好结构与坏结构的体素数据集。好结构是满足几何合理性、边界连续性和可制造性约束的单胞；坏结构则包括断裂、漂浮、空体积或边界不连续的例子。
第二步，训练自编码器。编码器将体素单胞映射为潜向量，解码器将潜向量还原为体素单胞。在训练过程中加入前述正则化项，使潜空间满足分离性和均匀性要求。
第三步，训练扩散模型。扩散模型学习在潜空间中的去噪过程，即从标准高斯噪声逐步恢复出对应结构潜向量的条件概率路径。
第一步，从高斯分布中采样一个初始噪声向量。
第二步，在每一轮去噪迭代中，计算当前潜向量与所有已知训练样本潜向量之间的距离。对距离小于阈值的近邻样本，累加排斥梯度。
第三步，将排斥梯度与原有去噪更新方向合并，得到新的潜向量更新。
第四步，完成全部去噪步骤后，将最终潜向量送入解码器，得到体素单胞。
第五步，对生成单胞进行几何合理性检查，包括连通性、实体占比、边界对齐等。这些检查可以作为后置过滤，也可以作为评价指标的一部分。
如果潜空间没有被整理，已知好样本的分布可能是高度不规则、多模态且边界模糊的。在这种情况下，近邻排斥缺乏可靠的“安全距离”参考。同一个阈值在某区域可能是安全的，在另一区域可能直接导致结构崩坏。先通过正则化让好结构占据一个相对紧致且边界清晰的区域，整个排斥机制才有稳定的操作空间。这个先后关系是本方法成立的重要前提。
从概率角度理解，训练数据覆盖的区域是模型学习到充分信号的地方。采样点距离训练数据越远，解码结果的不确定性越高。完全的远距离排斥等价于让模型在缺乏训练信号的区域生成高维结构，这会产生大量无意义输出。
近距离排斥则可以看作一种“受控扰动”：采样点保持在训练分布边界的近旁，但不断被推开以免退化为已有样本。这样生成的结构既具有可辨识的新拓扑特征，又不会剧烈偏离可制造结构空间。
单胞被切分为48×48×48的体素网格时，总单元数约11万，但实际自由度远低于这个数字。实心与空心的分布需要满足制造约束和仿真约束，可行结构仅占整个二值空间的一个极小比例。直接在这种高维离散空间中随机搜索几乎不可能找到有效结构。
潜空间压缩的意义在于，编码器学习到的低维流形近似于“可行结构子空间”。正则化让这个流形更接近真实的可行区域边界，排斥采样则在这个流形上做有方向的移动。体素表示提供了统一的输入输出接口，而潜空间负责压缩可行结构的主要变化方向。
该方法另一项基础工作是补齐了评估层面。过去缺乏统一的桁架体素数据集与量化指标，不同方法之间难以公平比较。该工作补充了桁架类体素数据集，并提出涵盖几何合理性、新颖性、多样性等维度的评测体系。
几何合理性通常包含多个子指标：单胞内部是否连通、是否存在孤立漂浮体、实体占比是否在可制造区间、周期性边界是否对齐等。这些指标共同决定生成结构能否进入后续的仿真与制造环节。
假设有一个极简的二维单胞生成任务，潜空间为二维平面，已知好样本集中在左上角区域，坏样本分散在其余区域。
未经正则化时，好样本可能聚集成几个小簇，边界不规则。此时如果从某个簇中心出发向外移动，可能只移动一小段就进入坏样本区域。
经过正则化后，好样本在潜空间中形成一个边界较清晰的区域。此时从区域内任一点出发，近邻排斥会推动该点离开最近的已知样本。只要步长控制得当，移动后的点仍然位于好样本区域内，但不再是已有样本的重复。
在三维体素场景中，逻辑相同，只是潜空间维度更高，距离计算和排斥梯度的方向更新都需要在高维空间中进行。
误区一：排斥越强，新颖性越好。
过强的排斥会把采样点推出训练分布覆盖区域，反而降低可用结构比例。关键在于“近邻范围内推开”，而不是“尽量远离”。
误区二：只要生成模型足够强，几何约束可以自动学会。
生成模型学习的是数据分布，而几何约束是可行数据的必要条件。如果训练数据中坏结构很少，模型可能无法有效学习坏结构与好结构的边界，推理时依然可能越过边界。
误区三：体素表示越高分辨率越好。
分辨率提升会成倍增加编码器和解码器的计算开销，同时潜空间需要表达更多细节变化。对于单胞级别的设计任务，需要权衡分辨率与生成效率。
误区四：后置过滤可以替代潜空间约束。
后置过滤只能丢弃废件，不能提高生成过程的可行结构产出率。如果废件比例过高，大量计算资源被浪费在无效采样上。在生成过程中就施加约束，才能从源头上提高产出效率。
AI生成超材料结构的核心挑战不是“能否生成”，而是“能否在保持新颖性的同时生成可制造结构”。本文讨论的原理通过两个阶段的配合解决这一问题：训练阶段的正则化塑造了边界清晰的潜空间，推理阶段的近邻排斥让采样点保持在可用区域的近旁同时避免退化。二者共同作用，使扩散模型不必在“照搬”和“散架”之间做非此即彼的选择。
这一思路的启示不止于超材料。任何需要在巨大离散空间中生成满足物理约束结构的问题，例如机械拓扑优化、分子结构生成、电路版图设计等，都面临相似的探索与可行性平衡问题。理解潜空间的组织方式与采样时的约束机制，比单纯堆叠更深的生成网络更具实践价值。