剪纸（Kirigami）作为一种可编程超材料的制造方法，近年来在柔性电子、航空航天和生物医学等领域展现出巨大潜力。然而，其逆向设计面临严峻挑战：展开过程高度非线性，且切割布局必须满足离散的兼容性规则，避免重叠，同时将目标形状映射到有效的设计中。传统的优化方法需要大量前向模拟，效率低下。为解决这一问题，研究人员提出了RL-Kirigami框架，将最优传输条件流匹配（OT-CFM）与强化学习巧妙结合，实现了高效、高精度的剪纸逆向设计。
RL-Kirigami的核心创新在于利用OT-CFM生成紧凑可重构平行四边形四元剪纸结构的兼容比率场，并通过行军解码器确保全局几何兼容性。为了优化不可微的奖励函数（包括轮廓匹配、可行性和比率场正则性），该框架引入了组相对策略优化（GRPO）算法，使生成器与这些目标对齐。实验表明，在程序生成的目标形状实例上，仅从预训练的OT-CFM先验中单次采样即可达到94.2%的sIoU（对称交并比），远超传统求解器基线，同时将前向模拟器评估次数从数百次降至仅1次。引入GRPO后，准确率进一步提升至94.91% sIoU，并在加入正则性后，将总变差（TV(x)）从0.95降至0.81，同时保持94.83%的sIoU。
更重要的是，RL-Kirigami设计出的布局可直接导出为DXF格式，并在50微米厚的聚合物片上通过激光切割快速制造。每个零件的切割时间仅为8.0±1.0分钟，即可获得可展开的原型。这一结果不仅验证了框架的实用性，更展示了“制造感知”逆向设计的理念——在严格的几何可行性约束下，将设计过程与制造工艺紧密结合。RL-Kirigami为可展开剪纸超材料的工业化应用铺平了道路，未来有望在可变形结构、自适应材料和软体机器人等领域发挥关键作用。