面向力学相关 TPMS 超材料的拓扑感知表征学习

基于摘要分析。该研究面向三周期极小曲面（Triply Periodic Minimal Surface，TPMS）机械超材料，研究如何让学习到的表征显式保留与力学响应相关的全局结构连通性。作者提出将持久同调融入 DMAE 骨干的拓扑感知表征学习框架，用于结构类别与力学性质分析。 方法包含两项机制：持久性引导的掩码策略优先选择与持久拓扑特征相关的 patches；辅助持久同调解码器则促使潜在表征保留连通分量、隧道与空腔等拓扑特征的计数信息。其核心思路是以全局拓扑信息约束表征学习，而不只依赖局部几何信息。DMAE 的具体结构、掩码操作细节、拓扑目标的构造及损失权重尚未验证。 作者在两个互补的 TPMS 数据集上评估结构家族分类、力学性质分类、无监督聚类与回归。作者报告，家族分类最多提升 3.9%，并获得所比较方法中的最佳线性探测表现；两个数据集上的无监督性质聚类表现分别最多提升 26.7% 和 51.5%，同时保留 R²=0.993 的回归表现。摘要未明确上述提升对应的具体指标、百分比计算方式、基线与数据划分，也未说明该回归结果所属的数据集和预测目标，因此不能将这些提升解释为百分点或进行跨协议比较。 阅读全文时需核对拓扑监督的计算成本、两项机制的独立贡献，以及数据划分和统计稳定性；实验协议、消融及统计信息尚未验证。研究对象是三维机械超材料，材料未提供神经信号实验或明确的 EEG/BCI 机制对应关系，不宜将其结果视为 BCI 表征学习的有效性证据。