利用基于生成模型的增广训练数据集增强力学元模型

对生物软组织进行建模是复杂的，部分原因在于材料的异质性。在这些组织的力学行为定义中起主要作用的微结构模式既难以表征，也难以模拟。近来，基于机器学习的方法预测异质材料的力学行为，使得人们能够更充分地探索与异质材料块相关的巨大输入参数空间。具体而言，我们可以训练机器学习（ML）模型来紧密近似计算代价高昂的异质材料模拟，其中 ML 模型在捕捉相关材料中存在的空间异质性范围的模拟数据集上训练。然而，在将这些技术更广泛地应用于生物组织时，存在一个主要限制：相关的微结构模式既难以获取又难以分析。因此，可用于表征所研究输入域的有用样本数量有限。在这项工作中，我们研究了基于 ML 的生成模型以及程序化方法作为增广有限输入模式数据集工具的有效性。我们发现，带有自适应判别器增广的基于风格的生成对抗网络（Style-based Generative Adversarial Network with adaptive discriminator augmentation）能够仅利用 1,000 个示例模式就成功创建出最真实的生成模式。一般而言，与真实模式具有足够相似度的多样化生成模式可用作有限元模拟的输入，以有意义地增广训练数据集。为实现这一方法学贡献，我们创建了一个基于 Cahn-Hilliard 模式的有限元分析模拟开放访问数据集。我们预期未来的研究者将能够利用该数据集并基于此处呈现的工作进行拓展。