3D列印改變了設計複雜結構的方式，而傳統處理方法無法實現這種結構。微結構的使用可以改變物體（超材料）的機械性質特性，例如：彈性、挫屈、剛性、緩衝性。
蜂窩是這種結構格子的自然示例。構件的幾何形狀決定了這些格子的結構特性。當前，工程師通過迭代地更改連接以調整行為來手動設計晶格幾何形狀。現在，我們的研究人員開發了一種仿真係統，該系統可以根據其機械行為快速而準確地生成3D微結構模型。我們運用 Rhino內建的圖形化演算編輯器Grasshopper探討如何將參數式設計應用於產品設計過程中，該系統能夠根據所需的產品特性生成微結構。換句話說，產品設計者可以輸入他們希望其產品具有的屬性，系統將自動設計微結構以滿足這些需求。該系統利用深度學習與無限元素法對大量微型立方體集群的機械屬性進行了分類。如今，已經證明了機器學習（ML）方法是執行複雜的模式識別和回歸分析的有效方法，而無需明確地構造和求解基礎的物理模型。在ML算法中，由於當前可用的大型數據集，強大的計算能力和復雜的算法體系結構，因此神經網絡（NN）是使用最廣泛的模型。本研究結合實驗，無限元方法（IEM）模擬和神經網絡的框架。首先，我們進行了實際實驗以驗證IEM仿真。接下來，基於全局載荷，位移和支桿半徑以及單元剛性的不同參數組合，使用IEM來運行多個模擬樣本。這些是NN輸入特徵，輸出是最大的應變能和等效的主應力。這裡應該指出，選擇和推薦LSTM是因為它具有出色的處理時間序列事件的能力。訓練後，NN可以與IEM仿真很好地重現加載歷史。此深度學習模型是從計算機視覺和圖像處理技術中採用的，使用先前生成的模擬數據進行訓練，以預測有利設計的變形行為。這些分類族群然後可以用作較大可打印對象的構建塊。通過計算生成這些複雜的晶格後，可使用增材製造來製造設計，從而實現快速的原型製作和迭代。這種看似簡單的晶格對材料在需要變形的應用中的使用方式具有深遠的影響。由於其獨特的行為，格子材料可用於生物醫學應用，運動與防護設備。

本研究團隊成功能將1D梁元素藉由自行開發之演算法，生成2D微結構封閉曲面，進而轉成3D實體結構，其成型成功率已高於目前市面國際大廠軟件。本軟件技術可提供設計者1D梁元素轉3D實體結構，導入動態分析軟件，獲得關鍵參數，優化動態產品結構生成，本技術已運用於安全帽內襯抗衝擊結構微結構生成，並申請專利。

3D列印微結構的設計帶來了超越傳統材料的新穎特性的可能性，並基於它們的變形，光聲和熱力學特性在機械人，航空，生醫，運動防護等不同領域中使用。在3D列印微結構系統部分，根據IDC市調調查，3D 列印軟體技術和主要應用。分析顯示，到 2028 年，快速擴張的 3D 列印軟體市場將價值 9.66 億美元。