近日，同济大学航空航天与力学学院金亚斌研究员课题组在基于机器学习的弹性波拓扑绝缘体超构材料取得重要进展，成果“Inverse design of topological metaplates for flexural waves with machine learning ”发表在国际著名期刊《Materials and Design》, 并被选为第199卷封面文章。该工作是航力学院2016级本科工程力学专业何良书同学的毕业设计。何良书和博士生温治辉为共同第一作者，金亚斌为通讯作者。同济大学庄晓莹教授、西班牙Jaume I大学Daniel Torrent研究员和德国包豪斯威玛大学Timon Rabczuk教授为本研究的合作者。

    固体力学中拓扑绝缘体概念的引入可以大幅度提高经典机械波传播的鲁棒性，使其具备单向传输的特点，可应用在信号处理、传感检测和能量收集等方面。靶向特定频域的机械波拓扑态，传统正向设计方法需要不断重复尝试结构的几何参数，这需要消耗大量的时间成本。本工作基于机器学习算法，发展了高效精确的弯曲波拓扑束缚态的逆向设计。人工神经网络采用从输入目标到输出期望参数的非线性映射函数，用平面波展开法生成训练数据集。经过神经网络训练，结构参数的预测值与真实值误差在0.01%，相对于正向设计耗时可减小两个数量级。基于目标逆向设计了弯曲波拓扑束缚态，比较了不同带隙条件下宽带隙可以提升束缚态的局域化程度，并实现了尖转角下的定向选择传播。

论文链接：https://www.sciencedirect.com/science/article/pii/S0264127520309266

（金亚斌供稿）