航空工业以及其他工程领域的发展带来的噪声问题对低频降噪结构的设计提出了更加迫切的要求。在本项工作中，我们搭建了一种编码器人工神经网络(Autoencoder ANN)，实现了针对局部共振型声学超材料加速、低成本的正、逆向设计。
受编码器网络框架的启发，搭建的Autoencoder ANN模型由逆向预测神经网络(IPNN)和正向预测神经网络(FPNN)两个模块串联组成，有效提升了神经网络在解决多解问题时的性能。使用基于理论模型构建的数据集对Autoencoder ANN进行训练。结果表明，训练后的Autoencoder ANN在局部共振型声学超材料的声传输损失(STL)预测与按需设计中均展示出极高的准确性和可靠性。此外，与理论分析、数值模拟方法相比，Autoencoder ANN显著加速了设计进程。Autoencoder ANN完成每个正向设计所需的时间比理论分析与数值模拟方法少2和6个数量级。更重要的是，Autoencoder ANN所展示的按需逆向设计能力是理论分析、数值模拟方法难以实现的。所搭建的Autoencoder ANN为降噪结构加速、低成本的正、逆向设计提供了一种新的设计范式。
该成果以Autoencoder artificial neural network for accelerated forward and inverse design of locally resonant acoustic metamaterials为题被SCI期刊Journal of applied physics录用发表。文章第一作者为南京航空航天大学博士生姜永烽，卢天健教授为通讯作者，共同通讯作者为孟晗教授、沈承副教授。
