近年来，4D打印技术的潜在应用已经扩展到各个领域，包括生物医学、软体机器人、智能传感器等多个领域，推动了材料科学和制造技术的进步。4D打印是基于3D打印，通过引入时间维度，利用刺激响应材料（如水凝胶、液晶弹性体等）使结构能够在温度、光、磁场等外部刺激下发生可控形变。然而，如何精准优化材料特性分布以实现预期目标形状，一直是该领域的技术瓶颈。

日前，许韧教授团队联合日本立命馆大学孟林团队提出了一种创新的优化方法，结合深度学习（DL）与进化算法（EA），以溶剂响应水凝胶为研究对象，实现了高效、精准的4D打印优化设计。论文发表于国际知名杂志Advanced Science。

研究团队采用溶剂响应性水凝胶为研究对象，开发了一种序列增强并行卷积神经网络（SEP-CNN），并结合有限元模拟生成大量数据集，以高精度预测水凝胶形变。为进一步提升设计效率，团队提出渐进式进化算法（PEA），并与深度学习模型结合，构建DL-PEA框架。该框架能够快速逆向设计目标形状，将优化设计时间缩短至约3.04秒，显著提高了4D打印结构的优化效率。

研究结果表明，4D打印优化设计的水凝胶可有效响应环境刺激，精准变形。该研究不仅为水凝胶在4D打印中的应用提供了新视角，还提出了一种高效优化4D打印体素化复合结构的工具，为智能材料设计提供了创新方法。

未来，该技术有望推动智能材料的设计与制造迈向更高水平。研究团队表示，下一步将拓展至更多类型的智能材料，深入探索更精细的刺激响应机制，并进一步优化深度学习与进化算法的融合策略，以适应更加复杂的结构设计与应用需求，从而加速智能制造和材料科学向更智能化、自适应化、多功能化方向发展。

    原文链接： https://doi.org/10.1002/advs.202407825