文章核心观点 - 生成模型设计超材料时面临几何合理性与新颖性之间的权衡：贴近训练数据产出旧结构，放开探索则生成断裂、漂浮或空白的废件 [1] - ReGDiff 提出两步方案：先用 RAS 机制整理自编码器潜空间，使好结构与坏结构分得开、好结构铺得匀，再用 SRR 引导扩散模型采样时避开已知样本近邻 [3] - 方法在几何合理性、新颖性、多样性三项指标上均优于五种基线，其中与最强基线 Yang et al. 相比，两个数据集上几何合理性平均提升 8.9%，新颖性提升 46.4%，多样性提升 128.6% [13] 行业背景与超材料设计难点 - 超材料是一类人工设计的结构材料，受压时横向收缩，同等重量下更硬，能吸收更多冲击能量，其反常力学性质由内部微观几何决定而非材料配方 [3] - 超材料已在骨组织支架、减振结构、声学隐身、软体机器人和热管理等领域得到应用 [3] - 设计难点落在几何本身：可选结构空间极其庞大，专家逐一试错效率太低，越来越多研究转向用生成模型批量提出候选结构 [3] - 现有扩散模型和 GAN 直接拟合训练分布往往产出与训练样本几乎一样的结构，加大探索力度又容易生成碎块甚至整块空白 [9] 体素表示与几何约束 - 体素表示把单胞切成 48×48×48 的小方格，每格要么实心要么空，桁架、壳体、多孔结构都能用同一种格式描述 [7] - 过去生成方法多为某一类结构定制：三维图表示适合桁架状结构但杆件只能是简单圆柱，二维图案沿第三轴拉伸则让第三个方向性能与基材几乎无异 [7] - 超材料单胞必须满足三条几何约束：结构要中心对称、相对的两个面要一致才能无缝拼接、实心部分必须连成一体 [9] - 沿体素路线的工作不多，且大多直接沿用计算机视觉中的 3D 生成模型，没有考虑超材料单胞必须满足的几何约束 [7] 数据集与评测基准 - 此前能直接用于训练深度生成模型的大规模体素超材料数据集只有 MetaShell，且只包含壳体结构，桁架数据均为图格式 [11] - 团队从三维图数据集中选取 10000 个样本，把落在杆件半径内的体素记为实心，得到 MetaTruss，并将 MetaShell 统一缩放到 48³ [11] - 评测分三个维度共五项指标：几何合理性含对称分数 S_sym、周期分数 S_per、连通分数 S_con；新颖性为 S_nov，取生成样本与训练集最相近样本的 IoU 距离；多样性为 S_div，统计生成样本最近邻覆盖的不同训练样本数并按生成数量归一化 [14] RAS 潜空间整理方法 - ReGDiff 先用 Transformer 自编码器把体素压缩到 128 维潜空间，但超材料对细节极其敏感，单胞多出一小团漂浮体素连通性即被破坏 [15] - 团队主动制造反例：随机替换真实样本中八分之一的体素得到负样本，再在潜空间同时施加三种作用力，合称排斥与汇聚 RAS [15] - 类间排斥 IeR 仿照库仑力，在正负样本潜变量之间施加与距离平方成反比的斥力，让两类分界变简单 [18] - 类内排斥 IaR 反对比学习之道，让同类样本之间也相互排斥，铺开覆盖范围 [18] - 中心汇聚 CS 给所有潜变量一个指向原点的吸引力，防止前两种斥力把分布推得过于稀疏 [18] SRR 短程排斥机制 - 普通 DDPM 仍偏爱高概率区域，而这些区域往往就在已知样本附近，采出的结构容易与训练样本雷同 [20] - SRR 在每一步去噪时加入把当前潜变量推离已知样本的力，关键在短程：斥力范围过大样本会被推出解码器能产出合理结构的区域 [20] - 论文用对数形式让斥力随距离迅速衰减，只有很近的已知样本才有明显影响，已知潜变量事先聚类，远处的簇直接略过以控制计算开销 [20] - SRR 只在推理时生效，扩散模型仍按标准 DDPM 训练；生成 1000 个结构 ReGDiff 用时 31 秒，与 Yang et al. 的 28 秒接近，DiT-3D 和 3D-CDM 则分别需要 326 秒和 813 秒 [20] 与基线方法的对比结果 - 对比对象包括 DiT-3D、Yang et al.、XCube、Trellis 和 3D-CDM，各模型在两个数据集上分别训练、统一评估 [22] - 在 MetaTruss 上，ReGDiff 的几何合理性均值、新颖性和多样性分别为 0.725、0.296、0.420，三项都排第一；紧随其后的 Yang et al. 为 0.626、0.163、0.158 [25] - 其余四种基线在 MetaTruss 上的新颖性基本为 0，说明它们几乎只在复现训练样本或生成失败样本 [25] - 在 MetaShell 上，ReGDiff 的几何合理性均值、新颖性和多样性分别为 0.919、0.380、0.783，Yang et al. 为 0.901、0.342、0.409 [23] - 生成样例显示：DiT-3D 生成接近实心方块，XCube 几乎什么都没生成，Trellis 碎成散落颗粒，3D-CDM 是一团致密实体，单看某一项分数并不可靠 [28] - ReGDiff 的样本既保留杆件和周期框架，又与训练样本明显不同 [28] 消融实验结论 - 不加正则时训练样本和负样本混在一起；对比学习能把两类分开但每类都被压成很小一团；RAS 既分开两类又让分布更平滑，生成结构最规整 [30] - 只去掉 SRR，新颖性从 0.296 降到 0.208，多样性从 0.420 降到 0.336，几何合理性均值略高（0.757 对 0.725），说明 SRR 以少量合理性换来了明显的新颖性 [32] - 只去掉 RAS，新颖性和多样性跌到 0.014 和 0.011，连通分数仅 0.295，说明潜空间没整理好 SRR 也无从发挥 [32] 团队背景与后续研究方向 - 论文由弗吉尼亚理工大学 Dawei Zhou 团队与 Meta 研究者合作完成，发表于 NeurIPS 2026，作者为詹望之、Jianpeng Chen、Dongqi Fu、Dawei Zhou [3][5] - 第一作者詹望之为弗吉尼亚理工大学计算机科学系博士生，师从 Dawei Zhou 教授，研究方向为 AI for Science、几何深度学习与数据驱动的力学超材料设计 [35] - 曾以第一作者身份在 ICML 2025 发表超材料统一模型 UniMate，并参与 MetamatBench（KDD 2025）、MetaScientist（NAACL 2025 Demo）等工作 [35] - 后续计划把基准扩展到桁架和壳体之外的更多超材料类别，并支持高于 48³ 的分辨率 [34] - 计划把力学性能预测和物理仿真接入生成流程，让评价从几何是否合理延伸到性能是否达标 [34] - 计划从无条件生成走向按目标性能生成，并配合领域专家验证，使超材料设计从在已知结构附近挑选走向按需求主动发现 [34]