一、邱老师，您提出的轻量化变厚度铺层设计范式，相比传统等厚度设计，在典型航空航天结构上能实现多少减重潜力？主要解决了哪些制造与性能矛盾？

我们提出的轻量化变厚度铺层设计范式，最早源于我在香港科技大学博士后期间与 Stephen Tsai 教授围绕 Double-Double 双均衡层合板开展的合作。我的理解是，复合材料的轻量化不能只停留在“材料本身比金属轻”这一层面，更重要的是要通过结构设计，让昂贵而高性能的碳纤维材料真正用在最需要承载的地方。在典型的航空航天结构中，弯矩、剪力和应力集中往往具有明显的空间分布。如果各区域都采用相同厚度，就不可避免会在低载区域造成材料冗余。变厚度设计相当于在传统铺层角度设计之外，又增加了“厚度分布”这一设计维度，可以根据不同区域的载荷需求实现材料的按需配置。

从目前结果看，这类新型铺层范式在大型航空航天工程结构上还处于探索阶段，尚没有非常成熟的大规模应用实例。但在实验室级典型结构中，我们已经看到了比较明确的减重潜力。例如，对于受弯梁结构，在相同刚度设计约束下，基于双均衡层合板的变厚度设计相比传统等厚度设计可以实现约30%的减重潜力。换一个角度看，在相同结构重量条件下，相关研究也表明基于双均衡铺层的变厚度设计可实现约26%的刚度提升，并且变厚度连接结构的强度相比等厚度传统铺层提高约13%。

更关键的是，这种设计范式试图解决传统变厚度复合材料结构中长期存在的“轻量化—可制造性—性能稳定性”之间的矛盾。传统铺层在变厚度的丢层设计中需要满足中面对称、平衡丢层、最小坡度等多项设计准则，还需要复杂的铺层迁移和重排，给设计和铺放带来了额外的难度。相比之下，Double-Double层合板以四层子层板为基本单元重复铺放，具有更好的等效均质化特性，天然满足了对称均衡的要求，从而显著简化变厚度区域的制造流程。从手工铺放的效率来看，至少提升了两倍的速度。在制造方面，我们还特别关注变厚度结构的固化变形问题。传统变厚度铺层由于不同区域铺层组成和等效刚度不断变化，固化过程中容易出现更明显的翘曲和局部变形，后续修形和装配难度都会增加。而双均衡铺层由于厚度方向上保持相对统一的均质化特征，固化变形整体较低，也为后续的工艺控制和结构优化留下了更大的空间。

二、邱老师，在复合材料多尺度智能设计方法中，人工智能主要替代了哪些传统实验或仿真环节？能否以一个具体构件为例说明AI带来的效率或精度提升？

我认为人工智能在复合材料多尺度设计中，并不是完全替代实验或仿真，而是替代其中大量重复性的参数迭代、试错优化和规律提取环节。高精度的仿真和实验仍然是重要的数据基础。我想，目前来看，面向复合材料的设计，AI 主要有三方面作用：一是建立代理模型，用快速预测替代大量有限元计算；二是结合生成式模型、强化学习或优化算法，高效搜索复杂设计空间；第三个也是大家容易忽略的，利用可解释机器学习，从数据中提炼设计准则和物理规律。

一个具体例子是复合材料拐角结构的固化变形预测。传统分析方法主要依赖有限元正向预测，即给定一个铺层方案，计算它会产生多大变形；但如果要在庞大的铺层组合中寻找低变形设计，逐一仿真的成本非常高。我们在这项工作中建立了从铺层序列到整体固化变形的AI预测模型。这样，可以快速评估大量铺层方案，为工艺优化和修模补偿提供依据，还可以进一步利用 AI 生成的大量数据开展规律挖掘。我们的模型可在约 1 小时内完成 2 万组铺层方案的变形预测，大幅降低了大规模设计筛选的成本。

更重要的是，我们并没有停留在“预测更快”这一层面，而是进一步利用AI从数据中提炼出影响固化变形的铺层不对称性指标，发现适度的不对称铺层有助于抵消模具、摩擦等外部因素引起的变形，从而获得更小的整体固化变形。这个结论为此类结构的设计提供了新的定量依据，也是传统正向仿真方法较难直接给出的。对我来说，这体现了AI的更高价值：不仅提升计算效率，也能够反过来帮助我们发现和总结新的设计规律。

三、邱老师，面向高温、高载等极端环境，当前复合材料设计方法最大的科学瓶颈是什么？您认为‘AI+力学’的融合路径提供了哪些独特的解决思路？

我认为，面向高温、高载、强冲击、强辐照等极端环境，复合材料设计方法主要面临的瓶颈问题包括两个。

第一是多场耦合服役条件下的跨尺度失效机理仍不清楚。复合材料本身涉及纤维、基体、界面、铺层和结构等多个尺度；在极端环境下，温度、载荷、冲击损伤、热氧化、烧蚀以及制造残余应力等因素进一步耦合，使失效过程更加复杂。传统基于单一性能指标或经验裕度的设计方法，难以准确评估真实服役过程中的损伤演化行为。

第二是极端环境下高保真试验数据获取成本很高。很多关键力学参数在高温、高载或快速损伤演化过程中难以直接测量，即使能够开展试验，样本量也往往有限，难以支撑大规模设计优化。

“AI+力学”的融合为这些问题提供了新的思路。一方面，可以利用力学模型约束 AI，使其在小样本条件下仍能给出符合物理认知的预测结果；另一方面，也可以利用AI从有限实验或仿真数据中提取隐藏关联，反过来校验模型、发现规律。比如说，我们曾利用机器学习从一个含中心裂纹层板的简单拉伸强度中反推出复合材料的I 型 R 曲线，避免了极端环境中对裂纹尖端进行跟踪的难题。这说明，面对极端环境下“测不准、测不到、测不起”的关键参数，AI 可以帮助我们从间接响应中重构隐藏的力学信息。

四、邱老师，作为中国科协青托人才，您如何在同一研究中深度融合复合材料、力学与人工智能三个学科？对从事交叉研究的青年学者有何避坑建议？

从我自己的体会来说，作为青年学者还是应该尽早确立属于自己的学术标签。无论是从事何种交叉，我想应该有一个以应用需求为导向的物理问题牵引，综合利用各个学科各个技术手段的优势去解决问题。以我自身来说，我想我的学科标签还是复合材料力学，围绕运载领域中的轻量化复材结构的应用开展工作。我想，现在先进的试验、计算和分析的工具很多，包括大模型在内都给我们提供了很多解决问题的思路，青年学者尽量做到都略知一二，就能找准契机在自己的领域中灵活运用。