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。
图 1 左：单胞沿三个方向周期排列构成超材料；右：论文提出的体素基准，由数据模块和评测模块组成（论文图 1）
这些约束至少有三条：结构要中心对称；相对的两个面要一致，才能无缝拼接；实心部分必须连成一体。现有扩散模型和 GAN 直接拟合训练分布，往往产出与训练样本几乎一样的结构；一旦加大探索力度，又容易生成碎块，甚至整块空白。论文把这一矛盾概括为几何合理性与新颖性之间的权衡。
02 先搭一把尺子
MetaTruss 与五项指标
此前能直接用来训练深度生成模型的大规模体素超材料数据集只有 MetaShell，而且只包含壳体结构。桁架同样是力学应用中的重要一类，但现有数据都是图格式。团队从一个三维图数据集中选取 10000 个样本，把落在杆件半径内的体素记为实心，得到 MetaTruss，并把 MetaShell 统一缩放到 48³。
评测分三个维度，共五项指标：
- 几何合理性。对称分数 S_sym 检查中心对称程度；周期分数 S_per 比较立方体相对两面的吻合度；连通分数 S_con 计算最大连通块占全部实心体素的比例。
- 新颖性。S_nov 取生成样本与训练集中最相近样本之间的 IoU 距离，值越大说明离已知设计越远。
- 多样性。S_div 统计生成样本的最近邻共覆盖了多少个不同的训练样本，再按生成数量归一化。数值偏低，说明模型总在模仿少数几个样本。
03 RAS
让潜空间分得开、铺得匀
图 2 ReGDiff 整体流程。上：编码后用 RAS 整理潜空间；下：在整理后的潜空间中做 SRR 引导的扩散采样，再解码回体素（论文图 2）
ReGDiff 先用 Transformer 自编码器把体素压缩到 128 维潜空间。问题在于，超材料对细节极其敏感，单胞里多出一小团漂浮的体素，连通性就被破坏了。若潜空间里合理结构与退化结构交错分布，解码时稍有偏移就可能落到退化的一侧。
团队的办法是主动制造 “反例”：随机替换真实样本中八分之一的体素，得到一批负样本，再在潜空间中同时施加三种作用力，合称排斥与汇聚（RAS: Repel-And-Sink）：
- 类间排斥（IeR）：仿照库仑力，在正、负样本的潜变量之间施加与距离平方成反比的斥力，让两类的分界变得简单。但只用这一项，两类会各自缩成一团，团外大片区域解码器从没见过。
- 类内排斥（IaR）：对比学习会把同类样本拉近，这里反其道而行，让同类样本之间也相互排斥，铺开覆盖范围。
- 中心汇聚（CS）：给所有潜变量一个指向原点的吸引力，防止前两种斥力把分布推得过于稀疏。
图 3 三种机制各自的效果，以及三者合并后的潜变量分布（论文图 3）
04 SRR
只在近处推一把
潜空间整理好后，普通 DDPM 仍偏爱高概率区域，而这些区域往往就在已知样本附近，采出来的结构容易与训练样本雷同。短程排斥（SRR: Short-Range Repulsion）在每一步去噪时加入一个把当前潜变量推离已知样本的力。
关键在 “短程” 二字：斥力范围过大，样本会被推出解码器能产出合理结构的区域。论文用对数形式让斥力随距离迅速衰减，只有很近的已知样本才有明显影响；已知潜变量事先聚类，远处的簇直接略过，以控制计算开销。
公式 加入 SRR 后的去噪更新式，第二行即短程排斥项（论文式 9）
SRR 只在推理时生效，扩散模型仍按标准 DDPM 训练。生成 1000 个结构，ReGDiff 用时 31 秒，与 Yang et al. 的 28 秒接近，DiT-3D 和 3D-CDM 则分别需要 326 秒和 813 秒。
05
与五种基线比较
对比对象包括 DiT-3D、Yang et al.、XCube、Trellis 和 3D-CDM。各模型在两个数据集上分别训练、统一评估。
图 4 两个数据集上的完整对比，粗体为最优，下划线为次优（论文表 1）
在 MetaTruss 上，ReGDiff 的几何合理性均值、新颖性和多样性分别为 0.725、0.296、0.420，三项都排第一。紧随其后的 Yang et al. 为 0.626、0.163、0.158，其余四种基线的新颖性基本为 0，说明它们几乎只在复现训练样本，或是生成失败样本（不计其新颖性）。
图 5 MetaTruss 上的生成样例：(a) ReGDiff；(b) DiT-3D；(c) Yang et al.；(d) XCube；(e) Trellis；(f) 3D-CDM（论文附录图 4）
生成样例更直观：DiT-3D 生成的接近实心方块，XCube 几乎什么都没生成，Trellis 碎成散落的颗粒，3D-CDM 则是一团致密的实体。一整块实心体自然是连通的，可见单看某一项分数并不可靠。ReGDiff 的样本既保留了杆件和周期框架，又与训练样本明显不同。
06 拆开看
两个模块缺一不可
团队在不加正则、对比学习正则和 RAS 三种设置下训练自编码器，并用 PCA 观察潜变量。不加正则时，训练样本和负样本混在一起；对比学习能把两类分开，但每类都被压成很小的一团；RAS 既分开两类，又让分布更平滑，生成的结构也最规整。
图 6 三种潜空间设置下的 PCA 分布（训练样本与扰动负样本）和对应的生成结构（论文表 2）
图 7 MetaTruss 上的消融实验。Case 1：RAS + 普通 DDPM；Case 2：无正则 + SRR；Case 3：完整框架（论文表 3）
只去掉 SRR，新颖性从 0.296 降到 0.208，多样性从 0.420 降到 0.336，几何合理性均值则略高（0.757 对 0.725），可见 SRR 以少量合理性换来了明显的新颖性。只去掉 RAS，新颖性和多样性跌到 0.014 和 0.011，连通分数仅 0.295：潜空间没整理好，SRR 也就无从发挥。
07
下一步研究方向
ReGDiff 的思路可以概括为：想让生成模型 “有创意又靠谱”，一要让潜空间认得清好坏，二要让探索只在近处受到约束。沿着这条思路，团队计划从三个方向继续推进：一是把基准扩展到桁架和壳体之外的更多超材料类别，并支持高于 48³ 的分辨率；二是把力学性能预测和物理仿真接入生成流程，让评价从 “几何是否合理” 延伸到 “性能是否达标”；三是从无条件生成走向按目标性能生成，并配合领域专家验证，使候选设计真正用于实际场景。届时，超材料设计有望从 “在已知结构附近挑选”，走向 “按需求主动发现”。
第一作者简介
詹望之，弗吉尼亚理工大学计算机科学系博士生，师从 Dawei Zhou 教授。主要研究方向为 AI for Science、几何深度学习与数据驱动的力学超材料设计，关注生成模型、多模态推理以及人机协同的科学发现系统，希望借助人工智能减少超材料设计中的反复试错。曾以第一作者身份在 ICML 2025 发表超材料统一模型 UniMate，并参与 MetamatBench（KDD 2025）、MetaScientist（NAACL 2025 Demo）等超材料智能设计相关工作。
个人主页：https://wzhan24.github.io/
热门跟贴