强化学习驱动剪纸结构逆向设计：从目标形状到激光切割原型仅需8分钟
概览
剪纸（Kirigami）作为一种可编程形状的制造方法，其逆向设计长期面临非线性变形、离散兼容规则与避碰约束的挑战。来自加拿大的研究团队提出 RL-Kirigami 框架，将最优传输条件流匹配（OT-CFM）与强化学习结合，首次实现了从目标形状到可制造切割图案的端到端逆向设计，并直接输出激光切割文件，在8分钟内完成原型制作。
核心方法
RL-Kirigami 采用两阶段策略：
- 第一阶段：利用 OT-CFM 生成初始比例场，该模型在大规模程序化生成的形状实例上预训练，单次采样即可达到 94.2% 的对称交并比（sIoU），远超传统求解器基线，且前向模拟次数从数百次降至1次。
- 第二阶段：引入 Group Relative Policy Optimization（GRPO） 强化学习算法，对生成结果进行优化。GRPO 通过非可微分奖励（包括轮廓匹配度、可行性、比例场正则性）直接微调生成器，将 sIoU 提升至 94.91%。若加入正则性约束，sIoU 仍保持 94.83%，同时总变差（TV）从0.95降至0.81，表明生成图案更平滑、更规则。
关键技术细节
框架的核心创新在于 Marching Decoder（步进解码器），它确保生成的切割布局满足全局几何兼容性——即所有平行四边形单元在展开时既不重叠也不断裂。这解决了传统优化方法中离散约束难以并行处理的痛点。
制造验证
研究团队将生成的布局导出为 DXF 格式，并在 50微米厚聚合物片材 上进行激光切割。每个原型的平均制造时间为 8.0 ± 1.0 分钟，成功制作出可展开的剪纸超材料原型。这验证了从设计到制造的完整闭环可行性。
行业背景与意义
剪纸结构在柔性电子、可展开航天结构、生物医学支架等领域具有广阔前景，但其设计历来依赖专家经验或暴力搜索。RL-Kirigami 将生成式 AI 与强化学习结合，首次实现了 制造感知的逆向设计工作流，不仅提高了设计精度，更将设计-制造周期压缩至分钟级。这一思路与近年来 AI 驱动的结构优化趋势一致（如拓扑优化中的神经网络方法），但 RL-Kirigami 特别强调了 硬几何约束 的处理，使其更贴近实际工程需求。
局限与展望
当前框架针对平行四边形单元网格（parallelogram quad kirigami）设计，未来可扩展至更复杂的切割图案（如曲线切口）。此外，强化学习阶段的奖励函数仍需手动设计，如何自动权衡多个目标（如精度、刚度、制造时间）是下一步研究方向。
小结
RL-Kirigami 展示了强化学习在满足严格几何约束的逆向设计中的潜力，其端到端流程（目标形状 → 切割图案 → 物理原型）有望成为可编程超材料快速迭代的标准化工具。