同济大学团队在《Computer Modeling in Engineering & Sciences》2026 年 146 卷发表该研究，提出 VAE-CDGM + 贝叶斯优化的复合材料逆向设计框架。该框架解决 VAE 生成模糊问题，低维空间优化仅需 2 次迭代，高维空间需 4-6 次迭代，即可收敛到目标性能。针对 4.2×10⁴ MPa 和 2.5×10⁴ MPa 的目标应力，生成结构实测值分别达 4.10×10⁴ MPa 和 2.51×10⁴ MPa，误差极小，为复合材料高效设计提供新路径。

复合材料的微观结构直接决定其力学强度、韧性等核心性能，传统 “性能→结构” 的逆向设计面临 “生成模糊、优化低效” 的双重瓶颈。同济大学团队在《Computer Modeling in Engineering & Sciences》发表研究，提出 VAE-CDGM 混合生成模型结合贝叶斯优化的逆向设计框架，既解决了传统 VAE 生成微观结构模糊的问题，又实现了目标性能的快速精准匹配，为复合材料高效研发提供全新方案。

  一、复合材料逆向设计的 “双重困境”

复合材料作为多相材料，其宏观性能由基体、增强相的属性及微观结构（如增强相分布、尺寸、取向）共同决定，逆向设计需从目标性能反推最优微观结构，难度极大：

生成质量差：传统变分自编码器（VAE）虽能压缩高维微观结构到低维潜在空间，但生成的结构边缘模糊、细节丢失，无法满足制造精度要求；

优化效率低：潜在空间维度过高会导致优化搜索空间爆炸，而维度过低又会丢失关键结构信息，经典优化算法难以平衡精度与效率；

性能匹配难：微观结构与性能的映射关系复杂，难以通过经验公式量化，传统方法易出现 “结构达标但性能偏离” 的问题。

  二、破局框架：VAE-CDGM + 贝叶斯优化的 “强强联合”

VAE-CDGM模型框架示意图

研究团队整合 VAE 的低维表征优势与扩散模型的高保真生成能力，搭配贝叶斯优化的高效搜索，构建双重策略逆向设计框架：

2.1 核心模型：VAE-CDGM 的 “去模糊魔法”

VAE-CDGM 融合变分自编码器（VAE）与去噪扩散概率模型（DDPM），解决了单一模型的短板：

VAE 的作用：通过编码器将 128×128 的微观结构图像压缩到低维潜在空间（16 或 256 维），保留核心结构特征，为优化提供可控搜索空间；核心依赖证据下界（ELBO）损失函数：

ELBO=E_q(z|x)[logp(x|z)]−D_KL(q(z|x)||p(z))

DDPM 的作用：以 VAE 生成的模糊图像为条件，通过多步迭代去噪，逐步细化结构细节，生成边缘清晰、几何规则的高质量微观结构；

关键优势：既保持了 VAE 潜在空间的连续性与可操作性，又实现了 DDPM 的高保真生成，完美平衡 “可优化” 与 “高质量”。

不同潜在空间维度下 VAE 与 VAE-CDGM 生成质量对比

2.2 双重优化策略：适配不同维度潜在空间

针对潜在空间维度差异，设计两种优化路径，确保效率与精度：

高维空间（>20 维）：用 SHAP 敏感性分析筛选关键维度（如 16 个核心特征），将优化范围缩小到紧凑 subspace，降低贝叶斯优化的搜索成本；

低维空间（<20 维）：直接在 VAE-CDGM 的低维潜在空间中进行贝叶斯优化，无需额外降维，减少信息丢失。

2.3 贝叶斯优化：快速锁定目标性能

以高斯过程为代理模型，通过期望改进（EI） acquisition 函数平衡 “探索” 与 “利用”，仅需少量有限元模拟即可收敛到目标性能，大幅降低计算成本。

  三、实验验证：精准生成 + 高效收敛

VAE-CDGM 与 DDPM 潜在空间分布对比

基于含 11893 张复合材料微观结构的数据集，验证框架性能，核心结果亮眼：

生成质量飞跃：对比 VAE 与 VAE-CDGM，后者生成的微观结构边缘锐利、增强相几何规则，彻底解决模糊问题，即使在 16 维低潜在空间仍保持高保真；

优化效率极高：低维空间优化仅需 2 次迭代（10 次有限元评估），高维空间仅需 4-6 次迭代（30 次有限元评估），即可收敛到目标性能；

256 维潜在空间贝叶斯优化迭代过程

16 维潜在空间贝叶斯优化迭代过程

性能匹配精准：针对目标 homogenized 应力 4.2×10⁴ MPa（超出数据集最大值），VAE-CDGM 生成结构的实测值达 4.10×10⁴ MPa；针对 2.5×10⁴ MPa 目标，实测值达 2.51×10⁴ MPa，误差极小。

  四、应用价值：加速复合材料研发落地

该框架的突破为复合材料研发带来革命性改变：

缩短研发周期：将传统数月的 “试错 - 优化” 周期缩短至数天，大幅提升研发效率；

降低研发成本：减少无效实验与模拟，降低材料制备与性能测试的资源消耗；

拓展应用场景：可广泛应用于航空航天、新能源汽车等领域的复合材料设计，精准定制满足特定力学、热学性能的材料。

  五、总结：AI 赋能材料设计的新范式

VAE-CDGM + 贝叶斯优化的逆向设计框架，核心优势在于 “高保真生成 + 高效优化” 的双重保障。其仅需 2-6 次迭代即可精准匹配目标性能，生成的微观结构满足制造要求，彻底破解了传统逆向设计的瓶颈。随着数据集的扩充与模型的迭代，该框架有望成为复合材料乃至更多先进材料逆向设计的通用工具，推动高性能材料的快速研发与产业化应用。

---

原文链接：https://www.techscience.com/CMES/v146n1/65722

同济大学团队在《Computer Modeling in Engineering & Sciences》2026 年 146 卷发表该研究，提出 VAE-CDGM + 贝叶斯优化的复合材料逆向设计框架。该框架解决 VAE 生成模糊问题，低维空间优化仅需 2 次迭代，高维空间需 4-6 次迭代，即可收敛到目标性能。针对 4.2×10⁴ MPa 和 2.5×10⁴ MPa 的目标应力，生成结构实测值分别达 4.10×10⁴ MPa 和 2.51×10⁴ MPa，误差极小，为复合材料高效设计提供新路径。

复合材料的微观结构直接决定其力学强度、韧性等核心性能，传统 “性能→结构” 的逆向设计面临 “生成模糊、优化低效” 的双重瓶颈。同济大学团队在《Computer Modeling in Engineering & Sciences》发表研究，提出 VAE-CDGM 混合生成模型结合贝叶斯优化的逆向设计框架，既解决了传统 VAE 生成微观结构模糊的问题，又实现了目标性能的快速精准匹配，为复合材料高效研发提供全新方案。

  一、复合材料逆向设计的 “双重困境”

复合材料作为多相材料，其宏观性能由基体、增强相的属性及微观结构（如增强相分布、尺寸、取向）共同决定，逆向设计需从目标性能反推最优微观结构，难度极大：

生成质量差：传统变分自编码器（VAE）虽能压缩高维微观结构到低维潜在空间，但生成的结构边缘模糊、细节丢失，无法满足制造精度要求；

优化效率低：潜在空间维度过高会导致优化搜索空间爆炸，而维度过低又会丢失关键结构信息，经典优化算法难以平衡精度与效率；

性能匹配难：微观结构与性能的映射关系复杂，难以通过经验公式量化，传统方法易出现 “结构达标但性能偏离” 的问题。

  二、破局框架：VAE-CDGM + 贝叶斯优化的 “强强联合”

VAE-CDGM模型框架示意图

研究团队整合 VAE 的低维表征优势与扩散模型的高保真生成能力，搭配贝叶斯优化的高效搜索，构建双重策略逆向设计框架：

2.1 核心模型：VAE-CDGM 的 “去模糊魔法”

VAE-CDGM 融合变分自编码器（VAE）与去噪扩散概率模型（DDPM），解决了单一模型的短板：

VAE 的作用：通过编码器将 128×128 的微观结构图像压缩到低维潜在空间（16 或 256 维），保留核心结构特征，为优化提供可控搜索空间；核心依赖证据下界（ELBO）损失函数：

ELBO=E_q(z|x)[logp(x|z)]−D_KL(q(z|x)||p(z))

DDPM 的作用：以 VAE 生成的模糊图像为条件，通过多步迭代去噪，逐步细化结构细节，生成边缘清晰、几何规则的高质量微观结构；

关键优势：既保持了 VAE 潜在空间的连续性与可操作性，又实现了 DDPM 的高保真生成，完美平衡 “可优化” 与 “高质量”。

不同潜在空间维度下 VAE 与 VAE-CDGM 生成质量对比

2.2 双重优化策略：适配不同维度潜在空间

针对潜在空间维度差异，设计两种优化路径，确保效率与精度：

高维空间（>20 维）：用 SHAP 敏感性分析筛选关键维度（如 16 个核心特征），将优化范围缩小到紧凑 subspace，降低贝叶斯优化的搜索成本；

低维空间（<20 维）：直接在 VAE-CDGM 的低维潜在空间中进行贝叶斯优化，无需额外降维，减少信息丢失。

2.3 贝叶斯优化：快速锁定目标性能

以高斯过程为代理模型，通过期望改进（EI） acquisition 函数平衡 “探索” 与 “利用”，仅需少量有限元模拟即可收敛到目标性能，大幅降低计算成本。

  三、实验验证：精准生成 + 高效收敛

VAE-CDGM 与 DDPM 潜在空间分布对比

基于含 11893 张复合材料微观结构的数据集，验证框架性能，核心结果亮眼：

生成质量飞跃：对比 VAE 与 VAE-CDGM，后者生成的微观结构边缘锐利、增强相几何规则，彻底解决模糊问题，即使在 16 维低潜在空间仍保持高保真；

优化效率极高：低维空间优化仅需 2 次迭代（10 次有限元评估），高维空间仅需 4-6 次迭代（30 次有限元评估），即可收敛到目标性能；

256 维潜在空间贝叶斯优化迭代过程

16 维潜在空间贝叶斯优化迭代过程

性能匹配精准：针对目标 homogenized 应力 4.2×10⁴ MPa（超出数据集最大值），VAE-CDGM 生成结构的实测值达 4.10×10⁴ MPa；针对 2.5×10⁴ MPa 目标，实测值达 2.51×10⁴ MPa，误差极小。

  四、应用价值：加速复合材料研发落地

该框架的突破为复合材料研发带来革命性改变：

缩短研发周期：将传统数月的 “试错 - 优化” 周期缩短至数天，大幅提升研发效率；

降低研发成本：减少无效实验与模拟，降低材料制备与性能测试的资源消耗；

拓展应用场景：可广泛应用于航空航天、新能源汽车等领域的复合材料设计，精准定制满足特定力学、热学性能的材料。

  五、总结：AI 赋能材料设计的新范式

VAE-CDGM + 贝叶斯优化的逆向设计框架，核心优势在于 “高保真生成 + 高效优化” 的双重保障。其仅需 2-6 次迭代即可精准匹配目标性能，生成的微观结构满足制造要求，彻底破解了传统逆向设计的瓶颈。随着数据集的扩充与模型的迭代，该框架有望成为复合材料乃至更多先进材料逆向设计的通用工具，推动高性能材料的快速研发与产业化应用。

---

原文链接：https://www.techscience.com/CMES/v146n1/65722