AI设计超材料，不用在「照搬」和「散架」间二选一了
生成模型设计超材料时常常两头落空：贴着训练数据走，产出的是换了说法的旧结构；放开手脚探索，又会得到断裂、漂浮甚至空无一物的 “废件”。ReGDiff 先把潜空间整理好，再在采样时只对近处的已知样本施加排斥，让模型往外走，又不走出可用的范围。
论文：ReGDiff: Guided Diffusion in Regulated Latent Space for Exploring Metamaterial Voxel Geometry
arXiv 地址：https://arxiv.org/abs/2609.34231
代码地址： https://github.com/wzhan24/ReGDiff
作者：詹望之（Wangzhi Zhan）、Jianpeng Chen、Dongqi Fu、Dawei Zhou
实验室：https://sites.google.com/view/dawei-zhou/vlog-lab
单位：弗吉尼亚理工大学（Virginia Tech）、Meta
超材料（metamaterial）是一类人工设计的结构材料：受压时会横向收缩，同等重量下更硬，还能吸收更多冲击能量。这些反常的力学性质并不来自材料配方，而是由内部的微观几何决定。凭借这一特点，超材料已在骨组织支架、减振结构、声学隐身、软体机器人和热管理等领域得到应用。也正因如此，设计的难点落在了几何本身：可选的结构空间极其庞大，靠专家逐一试错效率太低，越来越多的研究转向用生成模型批量提出候选结构。
弗吉尼亚理工大学 Dawei Zhou 团队与 Meta 的研究者合作，在 NeurIPS 2026 论文中提出 ReGDiff。方法分两步：先用 RAS 机制把自编码器的潜空间整理成 “好结构” 与 “坏结构” 分得开、好结构铺得匀的形态，再用 SRR 引导扩散模型在采样时避开已知样本的近邻。为了评估这种方法，团队还补上了领域里缺失的桁架体素数据集和一套量化评测指标。
要点速览
数据：构建桁架类体素数据集 MetaTruss，与壳体类数据集 MetaShell 组成统一基准，并提出五项评测指标。
方法：RAS 用三种 “力” 整理潜空间，SRR 在推理时加入只在近距离起作用的排斥项。
效果：与最强基线 Yang et al. 相比，两个数据集上的几何合理性平均提升 8.9%，新颖性提升 46.4%，多样性提升 128.6%。
01 体素表示
表达力更强，也更难生成
超材料可以拆成最小重复单元（单胞），再沿 x、y、z 三个方向周期复制。过去的生成方法多为某一类结构定制：三维图表示适合桁架状结构，但杆件只能是简单的圆柱；二维图案沿第三轴拉伸，则让第三个方向的性能与基材几乎无异。
体素表示把单胞切成 48×48×48 的小方格，每格要么实心、要么空，桁架、壳体、多孔结构都能用同一种格式描述。不过，沿这条路走的工作不多，且大多直接沿用计算机视觉中的 3D 生成模型，没有考虑超材料单胞必须满足的几何约束。