Reinforcement learning for inverse structural design and rapid laser cutting of kirigami prototypes

arXiv:2605.08098v1 公告类型：新 摘要：剪纸是一种越来越有用的制造方法，用于生产形状可编程超材料结构。然而，逆向设计仍然很困难，因为部署是非线性的，并且可行的切割布局必须满足离散兼容性规则，避免重叠，并将一种目标形状映射到有效的设计。我们提出了 RL-Kirigami，一种逆向设计框架，它将最佳传输条件流匹配 (OT-CFM) 与强化学习相结合，为紧凑的可重构平行四边形剪纸生成兼容的比率场。行进解码器强制执行全局几何兼容性，组相对策略优化 (GRPO) 使生成器与轮廓匹配、可行性和比率场规律性的不可微分奖励保持一致。在程序生成的目标形状实例中，预先训练的 OT-CFM 的单个样本达到 $94.2%$ sIoU，并且优于求解器基线，同时将正向模拟器评估从数百个减少到 1。GRPO 将精度提高到 $94.91%$ sIoU，并且在包含规律性的情况下，将 $\mathrm{TV}(\mathbf{x})$ 从 0.95 减少到 0.81同时保持 $94.83%$ sIoU。生成的布局导出到 DXF 并激光切割为 50~\mu\mathrm{m}$ 聚合物片材，以每个零件 8.0 \pm 1.0$ 分钟的速度生产可部署原型。这些结果支持在硬几何可行性约束下可部署剪纸超材料的制造感知逆向设计工作流程。