弗吉尼亚理工学院与MetaAI研究团队推出的UNIMATE模型，解决了超材料AI设计瓶颈，实现对超材料三维拓扑结构、密度条件和力学性能的统一建模与协同处理。机械超材料以其独特微观结构决定性能，在多领域潜力巨大，但此前设计模型多局限于处理两个模态，难以应对复杂场景。
构建首个多任务机械超材料基准数据集
为解决现有数据缺乏多模态覆盖问题，UNIMATE团队构建了首个涵盖三维拓扑、密度条件和力学性能的统一数据集。从17,087个原始拓扑中筛选出500个节点数不超20的拓扑结构，每个拓扑分配3种边缘半径和密度条件，经计算性能并数据增强，最终得到15,000个样本，覆盖不同密度场景。
创新模型架构实现多任务协同
UNIMATE模型核心由模态对齐模块和协同扩散生成模块组成。模态对齐模块将三种异构模态映射到共享离散潜在空间，通过三方最优传输（TOT）对齐模态分布，缩小差异。协同扩散生成模块基于分数的扩散模型，利用对齐后的token生成未知模态，支持灵活条件生成。训练时交替进行模态对齐与协同扩散训练，推理时根据部分模态数据生成完整信息。
实验验证模型性能优越
实验显示，UNIMATE模型在拓扑生成、性能预测和条件确认任务上全面提升。拓扑生成指标优于次优基线模型80.2%；性能预测误差比排名第二的模型低5.1%；条件确认误差比次优模型低50.2%，还能降低结构重量。此外，该模型时间效率中等，空间效率远高于其他模型，且参数敏感性表明维度和码本大小增加可提升性能。案例研究中，模型能生成拓扑过渡系列和新颖中间拓扑。
机器学习算法推动领域发展
机器学习算法正改写机械超材料设计范式。如宾夕法尼亚州立大学团队引入固定注意力机制，提升超材料设计预测精度和计算速度；大西洋国际大学团队的新型观测装置结合成像硬件与机器学习算法，提升超材料观测能力。机器学习将为机械超材料带来更多突破和广泛应用。
