在追求輕量化與高性能材料的今天，垂直排列碳納米管（VACNT）泡沫因其獨特的層級結構和卓越的力學性能成為研究熱點。這類材料通過納米尺度尺寸效應和納米管間相互作用的協同，展現出驚人的能量吸收能力、模量和強度。然而，這些納米機制如何通過宏觀架構影響不同力學性能仍不清晰，且現有設計方法依賴架構特異性顯式參數（如圓柱陣列的內徑D_in、壁厚t），阻礙了跨架構統一設計原則的建立。

為解決這一難題，來自美國威斯康星大學的研究團隊在《Extreme Mechanics Letters》發表研究，提出了一種基于隱式幾何描述符的人工神經網絡（ANN）框架。他們創新性地引入兩種多組分形狀不變量（MCSI）——反映架構特征尺寸和緊湊度的隱式參數，通過ANN將其與實驗測得的比力學性能（W、σ、E^*）關聯，首次建立了不依賴具體架構形式的普適性結構-性能關系模型。該模型不僅能預測訓練集外設計的性能，還可通過逆向設計實現目標性能組合的精準調控。

關鍵技術方法包括：1）光刻圖案化硅片結合浮動催化劑化學氣相沉積（tCVD）制備六邊形密排圓柱、同心圓和分形架構的VACNT泡沫；2）通過壓縮實驗獲取比能量吸收、比峰值應力和比平均模量數據；3）開發MATLAB算法計算MCSI描述符；4）構建輕量化ANN模型實現描述符-性能的非線性映射。

主要研究結果
MCSI隱式幾何描述符統一不同架構的結構-性能關系
研究發現，顯式參數（如D_in）僅描述孤立幾何特征且架構依賴性顯著，而MCSI通過捕捉決定納米機制的關鍵幾何屬性（如特征尺寸反映納米管受限生長效應，緊湊度表征納米管相互作用強度），成功將圓柱、同心圓和分形等不同架構的性能數據收斂到統一關系曲線中。

ANN框架實現性能預測與逆向設計
訓練后的ANN模型僅需兩個MCSI輸入即可準確預測三種比力學性能，其預測誤差顯著低于傳統顯式參數模型。特別值得注意的是，該模型對訓練集外的新型架構（如正弦波形）仍保持高預測精度，驗證了描述符的普適性。通過反向優化MCSI組合，研究者提出了實現特定W-σ-E^*組合的設計策略。

結論與意義
該研究揭示了VACNT泡沫的宏觀力學性能本質上由納米尺度機制（而非具體空間架構）主導，突破性地通過MCSI描述符將其定量關聯。相較于傳統深度學習方法，這種基于物理機制的特征降維策略僅需少量實驗數據即可實現高效建模，為復雜層級材料的加速設計提供新思路。該框架可推廣至其他依賴多尺度機制交互作用的材料體系，在極端環境緩沖層、軟體機器人功能組件等領域具有重要應用前景。研究代碼已開源共享，促進領域內協同創新。