智能材料对外部刺激做出反应，但通常仅以预编程的方式。例如，配备响应组件的软物质可以在设计的形状或结构之间切换。然而，这些人造材料无法模仿生物体复杂的变形过程，其中许多会不断改变形状以与环境相互作用并执行任务。

因此，希望能通过发挥智能的基本特征来创造能够实现这些能力的物质。挑战在于制造可重新编程的物质，在制造后可以采用多种形状，由“逆向设计”系统控制，该系统计算出编程材料变形为目标形状所需的输入（例如电流或电压），或采用可以执行所需功能的形状。这需要反馈系统和优化策略与材料紧密结合，以便实验数据驱动数字控制系统改变其形状以实现用户指定的目标。

成果简介

鉴于此，杜克大学倪小越、西北大学John A. Rogers院士、黄永刚院士和清华大学王禾翎等人设计并制造了一种称为超表面的片状材料，它由折叠成蜿蜒蛇形弯曲的导电带的软网组成。该软网由可重新编程的分布式洛伦兹力驱动，该力在静磁场存在下电流通过。由此产生的系统展示了复杂的动态变形能力，响应时间在 0.1 秒内。

异常简单的输入-输出关系

超表面采用相互连接的蛇形梁的形式，由聚酰亚胺封装的薄金导电层组成。梁的交叉点形成 N×M 网格。当放置在静磁场中时，超表面会根据作用在网格上的电磁力快速且可逆地改变形状，这可以通过改变设备边缘一系列端口的电压来控制。网格表现出线性电压-位移响应，对于软材料的大变形来说，这是一种异常简单的输入-输出关系。这使研究人员能够开发一个理论模型，预测生成目标形状所需的电压，并形成模型驱动的逆向设计系统的基础，以控制变形。

图|由可重新编程的电磁驱动驱动的机械超表面

图|用于动态、复杂形状变形的超曲面的模型驱动逆向设计

自我进化！

自适应、自我进化的超表面平台提供了一种半实时变形方案来学习真实物体不断进化的表面。除了自我进化以优化形状外，超表面还可以自我进化以优化功能。因此，为了验证模型驱动系统，研究人员还集成了一个成像系统，该系统将超表面的形状与所需形状进行比较，并解决需要纠正的小差异。然后使用成像反馈来开发原位优化过程，其中控制电压自我调整以最小化变形误差（±2%）。

这种实验驱动的优化方法克服了非线性、非理想甚至不可预测系统逆向设计的基本挑战，因为它不需要电压-位移关系的理论模型来指导变形。相反，超表面会自我调整以学习准确地采用新形状。

通过这种自我优化，超表面的性能优于逆向设计模型，智能变形以解释理论模型无法预测的扰动，包括环境变化、施加的机械载荷和材料中的缺陷。超表面还可以调整其形状以完成规定的任务，而无需预设形状。

图|自我进化的形状向半实时形状学习和多功能性转变

总结与展望：

该智能变形控制系统与各种材料、几何形状、布局和控制方案兼容，并具有许多潜在应用（从软机器人到增强现实等领域）。该平台与现有柔性电子框架中使用的典型材料、结构和薄膜制造技术兼容。它支持材料、几何形状、布局、控制系统和磁性设置的优化选择，以实现设计灵活性和潜在的可扩展性，从而在可穿戴技术、软机器人和先进材料中提供广泛、多功能的应用场景。该优化方案弥合了材料设计中理论模型与实际性能之间的差距，并展示了如何在工程物理系统中实施人工智能。

然而，存在一个限制是曲面必须完全在摄像机的视野内，优化过程才能成功。这限制了可以评估的形状范围以及可以使用超表面的环境。缓慢的图像处理也阻碍了形状学习过程。传感器和其他组件需要嵌入到变形物质中以产生自主的无束缚系统，并且需要更有效的算法。此外，网状结构所施加的力很小；为了产生某些应用所需的大应力输出，需要具有更高施加电流或更大磁场的刚性结构。

参考文献：

Bai, Y., Wang, H., Xue, Y. et al. A dynamically reprogrammable surface with self-evolving shape morphing. Nature 609, 701–708 (2022).

https://doi.org/10.1038/s41586-022-05061-w