#新材料# 【MIT中国博士生研发深度学习模型，可用于解决材料研究中的逆问题】
日前，#中国科学院大学# 校友、目前在 #MIT# 攻读直博的杨镇泽，通过利用深度学习模型，成功将有限的输入信息，还原为力学行为或物理行为。
结合多个深度学习的模型包括卷积神经网络（CNN，Convolutional Neural Networks）、生成对抗网络（GAN，Generative Adversarial Networks）以及基于注意力机制的模型（Transformer），其通过部分的输入来还原完整的应力和应变场，并得以从恢复的应力和应变场中，反向计算得到相应材料的分布。
在二维和三维的复杂#复合材料# 中，他和所在团队测试了这款模型的表现。
测试中，该模型展现出了优秀的性能：包括其预测性能不受微观结构复杂性的影响；对于拥有混合的应力应变分量的数据集也能实现无标签的预测；以及只从表面应力的应变分布中就能恢复整个三维体积中的力学行为的能力。这些性能表现证实此次方法具有较好的精准度和鲁棒性。
进一步地，课题组还发现本次方法拥有不错的泛化能力，对于简单的弹性力学问题和复杂的塑性力学问题都有较好的预测。
对于不同类型的微观结构，比如棋盘状的离散复合材料以及 Cahn-Hilliard 连续微观结构，该模型都能依据有限的信息，来预测完整的物理图像。
此外，当面对从未见过的、不在训练数据分布内的新数据时，该团队也对模型表现进行了测试。
例如，他们给予模型完全不同于训练集的材料形状和大小，来研究模型相应的预测表现。
测试结果证明：该模型在一定程度上学到了数据背后的力学原理和物理规律，因此可以用来解决一些工程问题和科学问题。
最后，课题组设计了一个训练流程，通过拆分已有训练集来训练多个模型，以解决逆问题中常见的不适定性问题。
戳链接查看详情：
MIT中国博士生研发深度学习模型，可用于解决材料研究中的逆问题
日前，#中国科学院大学# 校友、目前在 #MIT# 攻读直博的杨镇泽，通过利用深度学习模型，成功将有限的输入信息，还原为力学行为或物理行为。
结合多个深度学习的模型包括卷积神经网络（CNN，Convolutional Neural Networks）、生成对抗网络（GAN，Generative Adversarial Networks）以及基于注意力机制的模型（Transformer），其通过部分的输入来还原完整的应力和应变场，并得以从恢复的应力和应变场中，反向计算得到相应材料的分布。
在二维和三维的复杂#复合材料# 中，他和所在团队测试了这款模型的表现。
测试中，该模型展现出了优秀的性能：包括其预测性能不受微观结构复杂性的影响；对于拥有混合的应力应变分量的数据集也能实现无标签的预测；以及只从表面应力的应变分布中就能恢复整个三维体积中的力学行为的能力。这些性能表现证实此次方法具有较好的精准度和鲁棒性。
进一步地，课题组还发现本次方法拥有不错的泛化能力，对于简单的弹性力学问题和复杂的塑性力学问题都有较好的预测。
对于不同类型的微观结构，比如棋盘状的离散复合材料以及 Cahn-Hilliard 连续微观结构，该模型都能依据有限的信息，来预测完整的物理图像。
此外，当面对从未见过的、不在训练数据分布内的新数据时，该团队也对模型表现进行了测试。
例如，他们给予模型完全不同于训练集的材料形状和大小，来研究模型相应的预测表现。
测试结果证明：该模型在一定程度上学到了数据背后的力学原理和物理规律，因此可以用来解决一些工程问题和科学问题。
最后，课题组设计了一个训练流程，通过拆分已有训练集来训练多个模型，以解决逆问题中常见的不适定性问题。
戳链接查看详情：
MIT中国博士生研发深度学习模型，可用于解决材料研究中的逆问题
