用于快速访问扫描物性测量数字孪生的神经网络

为了在有限的实验时间内成功完成测量，初步数据的高效利用起着关键作用。本工作表明，一种用于学习初步实验数据的简单前馈型神经网络方法，可在学习范围内快速访问以模拟实验。该方法对于需要在多轴上扫描并需对数据求导或积分以获得目标量的物性测量尤为有益。由于其简单性，学习过程足够快，用户可通过结合开源优化技术与深度学习库即时进行学习与模拟。此处提出这样一种用于增强实验数据的工具，旨在帮助研究者在开展昂贵真实实验前决定最合适的实验条件。此外，该工具也可从复用和改用以往已发表数据的角度使用，加速功能材料的数据驱动探索。