持续同调加持，无监督聚类飙升51.5%，回归R²达0.993！
Learning Topology-Aware Representations for Mechanics-Relevant TPMS Metamaterials
📖 AI 总结
本文提出一种面向力学相关TPMS超材料的结构拓扑感知表征学习框架，将持续同调引入DMAE主干网络，以显式编码全局结构连通性。方法包含两项关键设计：持续引导的掩码策略优先处理与持续拓扑特征相关的图像块，辅助持续同调解码器则促使潜在表征保留连通分量、隧道和孔洞等拓扑特征计数信息。作者在两个互补的TPMS数据集上，通过家族分类、力学性能分类、无监督聚类和回归任务进行评估。结果显示，该方法在结构家族分类上最高提升3.9%，线性探针表现最佳；无监督性能聚类在两个数据集上分别提升26.7%和51.5%，同时回归性能保持R²=0.993。研究意义在于确立了持续拓扑作为复杂三维力学超材料表征学习有效归纳偏置的价值，为力学分析与结构设计提供了新思路。
🔑 关键词速览
| TPMS (Triply Periodic Minimal Surface) | 三周期极小曲面，一种在三个空间方向上周期性重复的极小曲面结构，常用于设计轻质高强的机械超材料。 |
| Persistent Homology | 持续同调，拓扑数据分析中的一种方法，通过追踪拓扑特征（如连通分量、隧道、空洞）在不同尺度下的出现与消失来量化结构拓扑。 |
| DMAE (Denoising Masked Autoencoder) | 去噪掩码自编码器，一种自监督学习骨干网络，通过掩码重建任务学习数据的潜在表征。 |
| Persistence-Guided Masking | 持续引导掩码策略，一种根据持续拓扑特征的重要性优先掩码相关图像块的策略，以增强拓扑信息的编码。 |
| Linear-Probe | 线性探测，一种评估表征质量的方法，在冻结预训练模型的特征上训练线性分类器来测试其区分能力。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅