给定一张3D折纸，你能把它弄平而不损坏它吗?仅通过查看设计，答案很难预测，因为设计中的每一个折叠都必须与展平兼容。

这是一个组合问题的例子。由UvA物理研究所和AMOLF研究所领导的新研究表明，机器学习算法可以准确有效地回答这类问题。预计这将推动复杂和功能(元)材料的人工智能辅助设计。

在本周发表在《物理评论快报》上的最新工作中，研究小组测试了人工智能(AI)可以如何预测所谓的组合机械超材料的特性。

人造材料

这些是工程材料，其特性取决于其几何结构而不是其化学成分。一张折纸也是一种超材料，其展平能力(物理上明确定义的特性)取决于它的折叠方式(其结构)，而不是由它制成的纸张类型决定。

更一般地说，智能设计使我们能够精确控制超材料弯曲、弯曲或膨胀的位置或方式，这些可用于各种用途，从减震器到太空卫星上展开的太阳能电池板。

实验室研究的典型组合超材料由两种或多种类型或方向的构建块组成，当施加机械力时，它们会以不同的方式变形。如果这些积木随意组合，材料作为一个整体通常不会在压力下弯曲，因为并非所有积木都能按照它们想要的方式变形;他们会卡住。

如果一个构建块希望向外凸出，它的邻居应该能够向内挤压。为了使超材料易于弯曲，所有变形的积木都需要像拼图游戏一样组装在一起。就像改变单折可以使折纸无法展平一样，改变单个块可以使“软盘”超材料变硬。

难以预测

虽然超材料有许多潜在的应用，但设计一种新的材料具有挑战性。从一组特定的构建块开始，推断不同结构的整体超材料特性通常归结为反复试验。在这个时代，我们不想手工完成所有这些。然而，由于组合超材料的特性对单个构件的变化非常敏感，因此传统的统计和数值方法很慢并且容易出错。

相反，研究人员发现机器学习可能是答案：即使只给出一组相对较少的示例可供学习，所谓的卷积神经网络也能够准确预测任何构建块配置的超材料特性，直至最好的细节。

“这远远超出了我们的预期，”博士说。学生和第一作者RyanvanMastrigt。“预测的准确性向我们表明，神经网络实际上已经学习了超材料特性背后的数学规则，即使我们自己并不知道所有规则。”

这一发现表明，我们可以使用人工智能来设计具有有用特性的新型复杂超材料。更广泛地说，将神经网络应用于组合问题可以让我们提出许多令人兴奋的问题。也许它们可以帮助我们解决其他情况下的(组合)问题。相反，这些发现可以提高我们对神经网络本身的理解，例如通过展示神经网络的复杂性与它可以解决的问题的复杂性之间的关系。