本期《自然·计算科学》关注了超材料设计和制造计算模型的最新进展、挑战和机遇，并探讨了在新兴信息处理器和计算技术中的潜在前景。
超材料metamaterial是一类人工构造的新材料，设计为实现在自然界中无法找到的新特性。这方面的例子包括机械超材料mechanical metamaterials（如负泊松比：可在垂直于压缩载荷的方向上收缩）以及光学超材料（具有负折射率：在正折射特性相反的方向上折射光线）。这些独特的功能，源自专门设计的微纳米级结构，在不同领域的新兴应用中，具有巨大的潜力，如非传统计算技术、先进成像系统和软体机器人。
Credit: laboratory / Alamy Stock Photo
不过，超材料的巨大设计空间——考虑到几何特征、图案化motifs和增材制造约束等参数的绝对数量——使得人类引导的启发式方法，已经无法满足现实世界应用的需求，尤其是那些复杂性不断增加的应用。因此，目前对先进的计算模型和算法，存在很高的需求。这些模型和算法，从结构优化到最终制造阶段的设计过程中，可解释各种复杂情况。为了综合概述这一新兴领域的最新发展、仍然存在的挑战和未来机遇，本期《自然·计算科学》（https://www.nature.com/collections/ibhgadjiif）重点介绍了专家们对这一研究方向的看法，以及超材料在先进计算技术（从机械计算到光学计算）中的潜在应用。
在超材料的设计中，基于物理的模型和方法发挥着重要作用。在美国东北大学刘咏民访谈问答中（https://www.nature.com/articles/s43588-024-00675-8），这种方法具有高度的可解释性，，在这个研究方向上，已经有了无数的研究进展。Stefano Zapperi及其同事（https://www.nature.com/articles/s43588-024-00672-x），概述了优化方法，特别是拓扑优化topology optimization (TO) 和反向均匀化，这些方法已广泛应用于机械超材料的设计。拓扑优化TO侧重于材料的分布，以实现所需的宏观性能，而反向均匀化则强调微观结构优化。作者强调了整合宏观和微观结构优化的重要性，以便在多个长度尺度上寻找最佳材料。Gary P.T.Choi在一篇评论中（https://www.nature.com/articles/s43588-024-00671-y），探讨了数学模型和算法的最新发展，有助于基于折纸和剪纸图案，构建复杂的超材料结构，而且灵感来自传统的折纸和剪纸艺术。
虽然物理基模型，已经成功地用于引领超材料的广泛设计空间，但通常在计算上是昂贵的。因此，正如Zapperi及其同事以及Keith Brown和Grace X.Gu在评论中所指出的那样（https://www.nature.com/articles/s43588-024-00669-6），将这些模型应用于复杂性不断增加的超材料，依然是主要挑战，这些复杂性源于固有特性（如Liu所强调的复杂三维结构）或增材制造additive manufacturing (AM)过程中的制造限制，包括加工条件和参数。
为了克服物理基模型所面临的挑战，机器学习machine learning (ML)和数据驱动方法，已经成为超材料设计的有效替代方法。Zapperi及其同事指出，基于机器学习ML方法，可增强传统的优化方法，例如通过减少获得最终设计所需的迭代次数，以及通过取代昂贵的数值模拟。Brown和Gu认为，机器学习ML模型，特别是多保真度模型，在有效整合框架设计和增材制造AM过程参数方面显示出了希望。此外，在自动驾驶实验室中，还强调了机器学习ML的潜力，以实现设计、制造和验证流程的自动化。当谈到受艺术启发的超材料设计时，尽管机器学习ML的应用，主要集中在剪纸图案上，但Choi指出，机器学习ML方法可有效地处理折纸和剪纸超材料中，日益复杂的折叠、切割和图案几何形状。类似地，还提出机器学习ML可加速元光学设计，例如用以避免昂贵的物理模拟。
由于独特和吸引人的性质，先进超材料已经发现了许多潜在的应用。值得注意的是，超材料可帮助设计新的计算技术，实现超越传统数字计算机的能力。乔丹·R·雷尼（Jordan R.Raney）及其同事认为（https://www.nature.com/articles/s43588-024-00673-w），可编程超材料——即具有可编程形状变化和可调机械特性的超材料——可用于机器人技术，以实现分布式智能，促进快速高效的信息处理。这种方法还可解决其他限制，例如较低可扩展性和对极端环境的脆弱性，这些限制通常与当前电子系统中的集中式信息处理相关联。在光学计算中，超材料和超表面也可以发挥重要作用，正如Yandong Li和Francesco Monticone在评论中所强调的（https://www.nature.com/articles/s43588-024-00684-7）：这些材料可提供高度的设计灵活性和空间并行性，易于集成到更紧凑的系统中，并减少延迟，从而与数字系统相比，提高能效、高通量、计算速度和可扩展性。这种方法的成功，也在最近的一项工作中得到了证明（https://www.nature.com/articles/s41566-024-01450-x），其中计算设计的超表面实现了360°结构光，大大增强了3D成像的深度重建性能。作者强调了另一个值得注意的应用——人工智能的光子学概念：这需要使用光学超材料，以构建光子神经网络和神经形态计算基础设施，这有望实现出色的计算和能源效率，在各种机器学习ML任务中，优于数字超材料。
毫无疑问，当涉及到超材料的有效计算设计时，仍有许多挑战需要解决。例如，基于机器学习ML的超材料模型，面临几个问题，例如数据稀缺、数据质量低，以及缺少适用于实际和工业应用的通用计算软件系统。为推进这一领域，需要学术界通力合作，以建立更好的数据共享数据基础设施，并开发处理低质量和高质量数据的多保真模型。为此，希望激发新的想法，促进进一步的讨论，并鼓励在更广泛的计算科学和材料科学界内的合作。
