蜘蛛网因其先进的结构性能而受到基础性研究的青睐。虽然简单的2D圆形蛛网已经很容易理解了，但许多蜘蛛编织的是高度复杂的3D结构蛛网，目前还缺乏严格的基于物理的描述。

科研人员开发了一种结合先进建模技术的计算方法，将蜘蛛网图微观结构与有效的力学性能联系起来，重点关注强度和韧性。他们使用深度神经网络进行蛛网性能预测，这些网络根据图形结构的蜘蛛网数据得出，并模拟了力学性能。

“由于3D蜘蛛网结构的复杂性和详细的结构组成，计算成本较高，量化性能有限，这对(进行大规模蜘蛛网研究)存在挑战。”作者Markus Buehler说。“我们的算法不仅能够预测蜘蛛网的属性，而且还能了解构建新的合成网结构，这些结构的外观和行为就像“真正的”蜘蛛网。

该团队比较了三种不同的模型：两种图神经网络模型和一种自然语言处理模型，这些模型提供了一种在构建块模型框架内描述复杂物理结构的通用方法。

随着预测模型的实施，研究人员开发了一个多目标优化原型，用于合成的、新的网页设计，以发现显示特定力学性能的网络结构作为设计目标，这反过来也验证了构建回归模型的预测能力。

“这项工作为蜘蛛网结构的快速数字分析奠定了基础，可以作为蜘蛛网研究的验证工具，用于设计探索和灵感的合成网设计工具以及结构设计的优化工具，”Buehler说。

原文信息

标题：Rapid mechanical property prediction and de novo design of three-dimensional spider webs through graph and GraphPerceiver neural networks

期刊号：Journal of Applied Physics 132, 074703 (2022)

作者：Wei Lu, Zhenze Yang, and Markus J. Buehler

原文链接（Open access）：

https://doi.org/10.1063/5.0097589

期刊介绍

期刊封面

Journal of Applied Physics 是一本有影响力的国际期刊，出版科研论文、新的或改进的方法、关于该领域最新进展的前瞻性文章和综述、作为社区教育材料的教程等。

关于AIP出版社

美国物理联合会出版社（AIP Publishing）是美国物理联合会（American Institute of Physics）旗下的非营利独资出版社，致力于将科研人员与全球的出版物、同行、机构和学协会联系起来，通过服务、工具和平台帮助他们扩大其研究工作的影响力和影响范围。

旗下的出版平台Scitation为全球研究人员、工程师和学生提供最相关、最及时的服务，帮助他们进行学习和研究。我们同时提供一系列电子图书帮助全球科学家、学生和教育工作者发现、调查和探索。