近日，上海理工大学基础学部物理学院杨福宝博士、刘晋榕博士与合作者，在流体力学超构材料与机器学习交叉领域取得新进展，提出并验证了一种机器学习引导的可编程流体力学隐身策略。相关成果以“Programmable Hydrodynamic Invisibility Enabled by Machine-Learning-Guided Metamaterials”为题，发表于Advanced Materials [Adv. Mater. 38, e73690 (2026)]。上海理工大学基础学部物理学院为本论文的共同通讯作者单位，杨福宝博士与刘晋榕博士担任共同通讯作者。
图：可编程流体动力隐身的概念与原理。(a–c) 可编程隐身斗篷结构及其基于机器学习的渗透率调控方法。(d–g) 不同结构下的压力场与流线，显示隐身斗篷可恢复背景流场。(h–i) 压力梯度和速度分布对比，验证隐身效果。Imp.表示不可渗透。
多孔介质中的流动广泛存在于过滤分离、微流控、地下输运、生物组织和软物质体系中。传统流体力学隐身器件通常依赖固定渗透率分布，只能在预设背景环境中工作。当背景渗透率因堵塞、膨胀、裂隙而变化时，原有匹配条件会被破坏，外部压力场和速度场出现可探测扰动，导致隐身性能退化。
针对这一瓶颈，研究团队以达西流动中的圆柱形隐身斗篷为模型，基于已有的壳层渗透率与背景渗透率匹配条件，进一步提出可编程超构壳层设计。该壳层由可调多孔单元组成，可通过切换几何状态改变等效渗透率，从而在高、中、低不同背景渗透率环境中维持近似无扰动的外部流场。
为提升设计效率与可制造性，团队构建了机器学习辅助的逆向设计流程。基于大量有限元仿真数据，随机森林模型学习单元几何参数与等效渗透率之间的映射关系，并与优化算法结合，将目标渗透率快速转化为可加工的微结构参数。该方法避免了传统试错式设计在高维参数空间中的低效率，为可编程流体超构材料提供了数据驱动设计路径。
数值模拟与实验验证表明，所设计的超构壳层可在不同背景渗透率下恢复外部压力等值线和流线，使包覆障碍物在外部流场中呈现接近“不可见”的响应。研究还展示了流体力学伪装功能：通过匹配指定参考对象的外部流场，可将被隐藏目标的流动特征改写为预设目标的特征。
该工作推动了流体力学超构材料从静态隐身向可编程、环境适配的流动操控发展，为分离科学、微流控系统、流动网络工程以及生物软物质和多孔弹性体系中的按需输运调控提供了新的研究范式。
论文地址：https://advanced.onlinelibrary.wiley.com/doi/10.1002/adma.73690
