剪紙（Kirigami）作為一種可程式設計超材料的製造方法，近年來在柔性電子、航空航天和生物醫學等領域展現出巨大潛力。然而，其逆向設計面臨嚴峻挑戰：展開過程高度非線性，且切割佈局必須滿足離散的相容性規則，避免重疊，同時將目標形狀對映到有效的設計中。傳統的最佳化方法需要大量前向模擬，效率低下。為解決這一問題，研究人員提出了RL-Kirigami框架，將最優傳輸條件流匹配（OT-CFM）與強化學習巧妙結合，實現了高效、高精度的剪紙逆向設計。
RL-Kirigami的核心創新在於利用OT-CFM生成緊湊可重構平行四邊形四元剪紙結構的相容比率場，並透過行軍解碼器確保全域性幾何相容性。為了最佳化不可微的獎勵函式（包括輪廓匹配、可行性和比率場正則性），該框架引入了組相對策略最佳化（GRPO）演算法，使生成器與這些目標對齊。實驗表明，在程式生成的目標形狀例項上，僅從預訓練的OT-CFM先驗中單次取樣即可達到94.2%的sIoU（對稱交併比），遠超傳統求解器基線，同時將前向模擬器評估次數從數百次降至僅1次。引入GRPO後，準確率進一步提升至94.91% sIoU，並在加入正則性後，將總變差（TV(x)）從0.95降至0.81，同時保持94.83%的sIoU。
更重要的是，RL-Kirigami設計出的佈局可直接匯出為DXF格式，並在50微米厚的聚合物片上透過雷射切割快速製造。每個零件的切割時間僅為8.0±1.0分鐘，即可獲得可展開的原型。這一結果不僅驗證了框架的實用性，更展示了“製造感知”逆向設計的理念——在嚴格的幾何可行性約束下，將設計過程與製造工藝緊密結合。RL-Kirigami為可展開剪紙超材料的工業化應用鋪平了道路，未來有望在可變形結構、自適應材料和軟體機器人等領域發揮關鍵作用。