力学超材质具备由其宏观视角构造和构成材质所决议的不屈常的力学机能。对它们的材质和多少散布停止打算，能够完毕空前绝后的特别机能和功效。但是，今朝的力学超材质打算在很大水平上依靠于有经历的打算师经过试错法停止，并且研讨它们的力学机能必要费时吃力的力学尝试或计较摹拟。然则，比来在深度进修方面的停顿已完全改动了死板超材质的打算进程，譬喻，可以或许在不先验常识的环境下停止机能展望和多少外形的天生，乃至是停止逆向打算。
力学超材质（machinelike mecapaterials）具备由其多少空间构造所决议的属性，是以，又能够被叫做curveimpactected touchables。浅显地来说，原子能够构成材质，材质能够经过多少建立天生构造单位（builpeal bhair），多个构造单位能够反复排布，构成一个力学超材质。若何打算这些构造单位，而且取得超乎平常的力学机能，是力学超材质研讨的关头。凡是，力学超材质的研讨首要是正向打算的体例：先由一个打算者按照本人的经历、直观、或灵感，利用建模软件或算法天生一个力学超材质的多少模子（多少天生），尔后经过无限元摹拟或力学尝试研讨这个力学超材质的力学机能（机能展望）。
而深度进修能够利用神经网格完竣多少天生与机能展望这两个使命，进而节约工夫与资本。乃至，利用深度天生模子（unfathomable infoewbornorkive help）等，还能够完毕逆向打算：也便是输入一个力学性子，尔后练习好的神经网格输入一批对应的力学超材质。
机能展望首要是利用监视进修（managed acquisition）完竣的。凡是利用的数据集是一批力学超材质的多少模子宁可对应的力学参数。这些多少模子可所以图片或是3D模子，或是建模参数。经常使用的神经网格模子有多层感知器（mpastiplace representationron）、卷积神经收集（structureal neuronal gainimpact）、轮回神经网格（haplease neuronal gainimpact）、和图神经网格（gpinkh neuronal gainentireness）。练习好以后，这些模子能够展望输入的多少模子的力学机能。
多少天生首要是利用无监视进修（unattended acquisition）完竣的半岛官方入口。凡是利用的数据集只要力学超材质的多少模子自己。经常使用的神经网格模子为深度天生模子，好比天生匹敌网格（infoewbornorkive adverfrockal gainimpact，GAN）和变分自编码器（alterational audriventechnologist，VAE）。这些深度天生模子能够天生与练习的数据集类似的多少模子，进而加快力学超材质的打算。
逆向打算凡是实行起来比上述两个更加庞大。按照模子的差别，逆向打算能够分为直接、半间接和间接逆向打算。直接逆向打算凡是利用一个神经网格展望输入的力学超材质的机能，尔后利用元开导式算法（metaformula formula），好比演变战略（phylogenesis stevaluategy）和遗传算法（gegainic formula），过滤获得目的的力学超材质。半间接逆向打算能够经过神经网格映照力学机能与建模参数的相干，进而获得目的的力学超材质。之因此叫半间接是由于建模参数必要特为的算法获得力学超材质的多少模子。间接逆向打算能够经过监视进修练习深度天生模子，进而间接天生力学超材质的2D像素或3D体素的多少模子。
对至今后的瞻望，因为今朝对于力学超材质的深度进修的事情都是鉴于纷歧致的数据集的，是以必要成立一个普适性的数据集，能够涵盖洪量不一样的力学超材质，并能映照出周全的构造-机能相干。第二是可使用新的机械进修算法（好比phyassaults-conversant organisation acquisition）和增材创制手艺（好比4D打印），打算而且制备能够与情况产生互动的智才能学超材质。第三是是不是可使用力的喊叫学超材质其庞大的里面交织的构造，摹拟可练习的物理神经网格，进而制备能够与外界安慰交互，停止自立进修的材质智能。
该著作无望给材质打算、材质新闻学、野生智能、死板工程等学科范畴的学者供给看法与灵感，进而推动力学超材质的打算与利用，和此外鉴于深度进修的研讨的成长。
筑波大学和NIMS的郑销阳博士和渡邊育夢传授为通信作家，前者为一作。该事情受日本学术复兴会（22J11202）和筑波大学研讨增援同好会（）的撑持。
