Badacze zaproponowali framework do uczenia reprezentacji metamateriałów TPMS, który bezpośrednio koduje informacje o topologicznej strukturze za pomocą trwałej homologii. Dotychczasowe metody rzadko wykorzystywały wiedzę o globalnej łączności strukturalnej, którą teraz zespół wyraźnie nadzoruje poprzez zintegrowanie trwałej homologii do sieci autoenkodingu (DMAE). Strategia masking kierowana informacjami topologicznymi priorytetyzuje fragmenty powiązane z trwałymi cechami topologicznymi, podczas gdy dodatkowy dekoder homologiczny zachęca model do zatrzymania informacji o liczbach cech topologicznych w połączonych komponentach, tunelach i pustych przestrzeniach.
Metoda wykazała imponujące rezultaty na dwóch zbiorach danych TPMS. W klasyfikacji rodzin struktur liniowy probe osiągnął najlepsze wyniki z poprawą do 3,9 procent, natomiast nienadzorowane grupowanie właściwości mechanicznych pokazało znacznie bardziej spektakularne wyniki - między 26,7 a 51,5 procent poprawy w zależności od zestawu danych. Model utrzymał jednocześnie zdolności regresji z R-kwadrat równym 0,993, co świadczy o zachowaniu precyzji w predykcji wartości liczbowych.
Eta praca stanowi ważny krok w kierunku bardziej inteligentnego projektowania zaawansowanych materiałów. Poprzez uwzględnienie właściwości topologicznych w reprezentacjach uczonych, framework otwiera nowe możliwości dla analizy mechanicznej metamateriałów i może się okazać kluczowy w opracowaniu nowych materiałów o specjalnych właściwościach fizycznych.