在城市地区，交通、建筑活动和工厂产生的噪音污染越来越普遍，严重影响人们的健康，造成压力、睡眠障碍和心血管问题。因此，人们提出了各种降噪方法，例如物理阻隔声音路径和主动噪声控制。然而，由于声音是通过空气传播，物理上阻隔声音也会导致通风不良，这就突显了同时实现声音衰减和通风研究的必要性。
声学超材料（AM）具有独特的声学特性，已被广泛研究作为前景广阔的解决方案。最近，科学家们提出一种被称为通风声谐振器（VAR）的新型AM，仅使用几何形状就能操纵声波和气流。它可以通过紧凑的结构阻挡低频噪音，同时保持通风。
VAR由波导管组成，该波导管可将声波引导到能捕获声波的谐振腔。但要发挥其性能，VAR需要一种在目标峰值频率上对宽带声音衰减进行优化的功能形状。然而，传统的分析设计方法只能进行相对简单的参数化设计，不能用于实现具有复杂几何形状的VAR。
据外媒报道，为解决这一局限性，韩国釜山大学（Pusan National University）机械工程学院副教授Sang-Min Park领导的研究团队开发出基于深度学习的创新逆向设计方法。相关研究成果已发表在期刊《人工智能的工程应用》（Engineering Applications of Artificial Intelligence）上。
图片来源：Pusan National University
Park博士解释道：“我们提出了一种潜空间探索策略，通过基于遗传算法的优化，以目标频率搜索宽带VAR。与传统方法相比，这种方法在降低计算成本的同时具有很高的设计灵活性。”
在所提出的逆向设计方法中，一种深度学习生成模型——条件变分自编码器（CVAE）可在潜空间中对VAR的几何特征进行编码。潜空间是一个低维空间，包含了高维输入（这里指VAR）的基本信息。
为了生成这个空间，CVAE使用VAR谐振腔的横截面图像和峰值频率信息进行训练。然后将生成的潜空间用于遗传算法（GA）优化，目的是为各种峰值目标频率搜索具有宽带声音衰减性能的VAR。GA采用基于自然选择的方法，在连续多代中搜索最佳的VAR，就像生物进化中选择有利基因一样。
研究人员使用带有T形谐振腔的VAR横截面图像训练CVAE，该谐振腔的设计参数值各不相同。利用这些数据，这种优化策略产生了一个具有非典型但功能性结构的非参数VAR。
研究人员将优化结果与每个目标频率的训练数据中带宽最宽的VAR进行了比较，发现优化设计在所有情况下都表现出更宽的带宽。此外，他们还将非参数VAR与使用基于参数的逆向设计方法设计的VAR进行了比较，发现前者的带宽要大得多。
Park博士强调这些结果非常重要，他表示：“我们的超宽带VAR可以部署在城市环境中，在不影响通风的情况下可有效减少噪音污染，从而通过创造更安静、更舒适的生活和工作空间来提高生活质量。此外，该策略还为基于人工智能的复杂机械结构设计开辟了新的视野，可能会给汽车和航空航天工程等领域带来革命性变化。”
这种开创性的设计方法标志着人工智能驱动设计的AM和其它复杂机械结构设计迈出了重要一步。
