在航空航天和交通运输领域，材料结构需要应对高速撞击（例如鸟击或碎片撞击）与极端温度升高的双重挑战。虽然传统复合材料具有良好的比强度和能量吸收特性，但在高达10³ s⁻¹的高应变率下，压力波的传播与局部温度升高常会导致严重的非线性变形和应力/应变局域化，甚至造成结构失效。与此同时，软相材料在分离式霍普金森压杆（SHPB）测试中，由于波阻抗降低和惯性效应，难以实现应力平衡，从而显著影响动态力学性能的准确评估。尽管多尺度模拟技术可以描述复合材料在不同加载条件下的力学行为，但其计算成本高昂，同时也难以有效解决材料的逆向设计问题。因此，迫切需要一种新方法，以快捷而精确地建立微观结构与动态响应间的关系，从而实现性能的逆向设计。

针对上述问题，中国科学技术大学的王鹏飞副研究员团队开发了一种基于三维卷积神经网络（3D-CNN）的机器学习框架。该框架成功整合了SHPB动态实验与有限元模拟的数据，能够精确预测双相复合材料的微观结构和动态力学性能，进而实现逆向设计。经过优化后，微观结构的动态应力均匀性从21.54%提升至97.45%，在相同硬相体积分数下，动态承载能力提高了约22%至57%。此外，研究还集成了热传导模块，通过降低绝热温升引起的局部剪切失效，实现了抗冲击性能和热管理能力的协同优化。相关研究成果以“Machine learning-driven optimization of high-velocity impact resistance for three-dimensional biphasic composites”为题，发表在《自然·通讯》期刊上。

研究团队在三维空间中交替排列硬质（Vero White，刚性的白色不透明光聚合物）和软质（Agilus30 Black，橡胶状黑色光聚合物）材料，每个材料块由27个体素（3×3×3）构成，整体结构包含125个材料块（边长1.5 mm），形成7.5×7.5×7.5 mm³的立方体几何形状，总计3375个体素（15×15×15）。这些体素被编码为二元矩阵（硬相为1，软相为0），作为机器学习模型的输入。为了生成无偏的空间分布，研究团队采用Knuth洗牌算法，并通过4%的梯度步长调整硬相体积分数（φ）。所有随机设计的构型都经过有限元分析，生成动态载荷下的应变—时间曲线，并从中导出相应的动态应力—应变曲线和关键参数（如应力、应变和应变能密度等）。

所构建的3D-CNN模型架构包含两个卷积层、两个池化层和一个全连接层。每个材料块作为3×3×3的张量输入，整体输入则为15×15×15的数组，卷积核尺寸为3×3×3，第一层使用32个滤波器，第二层增至64个。池化层采用2×2×2的最大池化，步长设为2，批归一化层的加入加速了训练并提升了模型的泛化能力，激活函数采用ReLU以防止梯度消失。该架构有效地平衡了空间特征提取与计算效率，能够从体素化的软—硬相组合中预测其动态响应。

为了验证模型的可信性，研究团队首先对规则微观结构的3D打印样品进行了SHPB实验（冲击速度为10 m/s）。实验结果表明，具有对称构型（结构“III”）在应对垂直冲击时的峰值应力最高，而结构“I”的峰值应力最低，这表明对称布局有助于减轻动态载荷下的应力不均匀性。当硬相和软相平行于冲击方向排列时，增加硬相比例显著提升了材料的抗冲击性能。针对复杂对称结构的进一步研究揭示了层次对称性对于材料动态力学行为的影响，其中结构“A”展现出最高的强度。这些实验结果为后续的应力均匀性优化提供了有力支持，同时，垂直布置的倾向与后续补充资料中的结果相一致。