多伦多大学的研究团队利用机器学习技术，成功研发出一种强度堪比碳钢、重量却如聚苯乙烯泡沫塑料般轻盈的纳米材料。该材料由微小的纳米级结构单元组成，通过多目标贝叶斯优化算法预测最佳几何形状，从而显著提高强度重量比。研究人员使用双光子聚合3D打印机制造原型，实验结果表明，优化后的纳米晶格强度是现有设计的两倍多，且密度仅为钛的五分之一。这项突破性进展在航空航天等领域具有广阔的应用前景，有望大幅降低飞行碳足迹。该项目是首次应用机器学习优化纳米结构材料，并汇集了多学科的国际合作。

🔬 机器学习优化：研究团队利用多目标贝叶斯优化算法，预测纳米材料的最佳几何形状，从而显著提升其强度重量比，相较于其他算法，仅需少量数据即可实现高效优化。

💪 超强性能：实验验证表明，新纳米材料的强度是现有设计的两倍以上，且每立方米每公斤密度可承受2.03兆帕的压力，约为钛的五倍，展现出卓越的力学性能。

✈️ 应用前景广阔：这种超轻高强材料在航空航天领域具有巨大潜力，可用于制造飞机、直升机和航天器部件，有望大幅降低燃油消耗和碳排放。

🧪 首次应用：该项目是科学家首次成功应用机器学习来优化纳米结构材料，为材料科学研究开辟了新的方向，展现了机器学习在材料设计方面的巨大潜力。

多伦多大学应用科学与工程学院的研究人员利用机器学习的力量，创造出了纳米材料，这种材料兼具碳钢的强度和聚苯乙烯泡沫塑料的轻盈性。这一进展将对从汽车到航空航天等各个行业产生重大影响。

由 Tobin Filleter 教授领导的研究团队设计出了纳米材料，这些材料具有前所未有的强度、重量和可定制性。这些材料由微小的构建块或重复单元组成，尺寸仅为几百纳米——如此之小，以至于 100 多个排列起来的纳米材料几乎与人类头发的厚度相当。

研究人员使用多目标贝叶斯优化机器学习算法来预测最佳几何形状，以增强应力分布并提高纳米结构设计的强度重量比。该算法只需要 400 个数据点，而其他算法可能需要 20000 个或更多数据点，这使得研究人员能够使用更小的高质量数据集。加拿大团队与韩国科学技术院的 Seunghwa Ryu 教授和博士生 Jinwook Yeo 合作完成了这一步。

这次实验是科学家首次应用机器学习来优化纳米结构材料。据该项目发表在《先进材料》杂志上的论文的主要作者 Peter Serles 称，团队对这种改进感到震惊。它不只是从训练数据中复制成功的几何形状，还从形状的哪些变化有效、哪些无效中学习，从而能够预测全新的晶格几何形状。

该团队使用双光子聚合 3D 打印机创建了用于实验验证的原型，在微米和纳米尺度上构建了优化的碳纳米晶格。该团队优化的纳米晶格强度是现有设计的两倍多，每立方米每公斤密度可承受 2.03 兆帕的压力——大约是钛的五倍。

这些材料的潜在应用非常广泛。 Filleter 教授设想航空航天业为飞机、直升机和航天器制造超轻型部件。研究人员估计，用这种新材料替换飞机上的钛部件，每替换一公斤材料每年可节省 80 升，有助于减少飞行的高碳足迹。

该项目汇集了材料科学、机器学习、化学和力学等多种元素，涉及与德国卡尔斯鲁厄理工学院、麻省理工学院和莱斯大学的国际合作伙伴的合作。下一步是改进这些材料设计的规模化。该团队还计划探索新的基质，将材料结构的密度推向更低，同时保持高强度和刚度。