基于物理信息的神经网络，用于可编程折纸超材料，并实现可控的展开方式

《Materials Horizons》：Physics-informed neural networks for programmable origami metamaterials with controlled deployment

　　可编程锥形Kresling origami结构通过物理信息神经网络（PINN）实现无需训练数据的前向预测与逆向设计，嵌入力学平衡方程准确预测能量景观并抑制非物理现象，逆向设计可指定稳定高度与能量壁垒自由编程能量曲线，扩展至多层组装实现逐层可控展开，经仿真与实验验证有效，为航空航天可展结构、软体机器人等提供新方法。

　　

受折纸启发的结构为创造轻量级、可部署的系统提供了前所未有的机会，这些系统具备可编程的机械响应能力。然而，由于复杂的非线性力学特性、多稳态现象以及对部署力精确控制的需求，其设计仍然具有挑战性。在这里，我们提出了一种基于物理知识的神经网络（PINN）框架，用于圆锥形Kresling折纸（CKO）的正向预测和逆向设计，而无需预先收集训练数据。通过将机械平衡方程直接嵌入学习过程中，该模型能够高精度地预测完整的能量景观，同时最小化非物理伪影。逆向设计过程可以指定目标稳态高度和能量障碍，从而实现对整个能量曲线的自由编程。这一能力被扩展到分层CKO组件中，通过编程控制障碍的大小来实现逐层顺序部署。有限元仿真和对实物原型的实验验证了所设计的部署序列和障碍比例，证实了该方法的可靠性。这项工作为在受折纸启发的超材料中编程复杂的机械能量景观开辟了一条无需数据的多功能路径，为可部署的航空航天系统、变形结构和软体机器人执行器提供了广阔的应用潜力。