受生长启发的图生成框架用点阵数据库增强与GCNN实现力学点阵逆向设计，目标刚度1000 MPa的设计经有限元验证达1027.49 MPa
核心概要
该工作提出一种形态发生学图生成框架，以离散点阵提供候选节点、通过跨层与层内顺序生长构建力学点阵，在含27个候选节点的3x3x3节点矩阵上生成三维点阵数据集并用梁基有限元分析评估、直接表示为图，再用含三个图卷积层与双全局池化的图卷积神经网络学习拓扑-性能映射并预测有效压缩刚度，进而结合快速结构采样实现逆向设计：对1000 MPa的目标刚度，所选设计预测值为1042.43 MPa、有限元验证值为1027.49 MPa；框架还扩展到由非线性材料构成的参数化马蹄形曲梁，支持面向指定变形形状的拓扑-几何设计。
The generated lattice is schematically shown in Figure 1.
arXiv · 第 2 页深度剖析
提出一种受生物形态发生启发的图生成框架，用离散点阵提供潜在节点，通过跨层与层内顺序生长逐步生成力学点阵的最终架构。 与一次性组装或直接参数化生成的做法不同，这里把点阵架构的形成建模为有时间顺序的生长、分支、强化与成环过程，并在二维以类叶脉发育序列可视化、在三维于含27个候选节点的3x3x3节点矩阵上实现。 文中以二维可视化序列与三维3x3x3节点矩阵（27个候选节点）的实现说明该生成规则，属于框架层面的构造性描述。
构建了三维点阵数据集，用梁基有限元分析评估其性能，并将结构直接表示为图，从而把拓扑与力学性能对应起来。 相对依赖手工特征或间接描述符的拓扑-性能建模，这里让图结构与有限元评估结果直接配对，为后续图学习提供数据基础。 文中说明数据集由不同的三维点阵构成，评估手段为梁基有限元分析，表示形式为图。
用含三个图卷积层与双全局池化的图卷积神经网络学习拓扑-性能映射并预测有效压缩刚度，作为逆向设计的代理模型。 把图卷积代理与快速结构采样耦合，使逆向设计可在目标刚度下筛选结构，而不必对每个候选逐一进行完整有限元求解。 文中给出网络结构（三个图卷积层、双全局池化）与预测目标（有效压缩刚度），并以目标刚度1000 MPa的案例展示预测值1042.43 MPa与有限元验证值1027.49 MPa的接近程度。
框架从直杆件扩展到由非线性材料构成的参数化马蹄形曲梁，支持面向指定变形形状的拓扑-几何设计。 相对仅处理直杆与线性刚度的点阵设计，这一扩展把几何参数与非线性材料响应纳入同一生成设计流程，指向形状编程。 文中说明该扩展基于参数化马蹄形曲梁与非线性材料，目标是实现规定的变形形状。
启示与展望
该框架面向力学点阵与架构材料的设计场景：以离散点阵提供候选节点，通过顺序生长生成拓扑，再用图卷积代理预测有效压缩刚度并做逆向设计。它适用于需要在目标刚度或指定变形形状下快速筛选结构的场合，例如超材料数据库增强与拓扑-几何联合设计；三维实现以3x3x3节点矩阵（27个候选节点）为具体载体，曲梁扩展针对非线性材料的参数化马蹄形构件。对希望把图学习用于结构设计的研究者与工程实践者，这一流程提供了从生成规则到代理模型再到逆向设计的可复用范式。
可见文本以摘要为主，数据集的具体规模、点阵构型的覆盖范围、代理模型在目标刚度之外的误差分布，以及曲梁扩展中非线性材料与指定变形形状的验证程度，均未在文本中展开，这些是读者继续阅读时值得留意的开放问题。此外，逆向设计案例目前以单一目标刚度呈现，多目标或多载荷条件下的表现仍有待文本进一步说明。