探索迁移学习在异质材料变形元模型中的潜力

从纳米尺度到宏观尺度，生物组织在空间上具有异质性。即便组织行为已被充分理解，材料特性的具体受试者空间分布往往未知。在开发生物组织的计算模型时，针对每个感兴趣的问题模拟每一种合理的材料特性空间分布通常在计算上昂贵得令人望而却步。因此，开发精确的生物组织计算模型的主要挑战之一是捕捉这种空间异质性的潜在影响。近来，基于机器学习的元模型作为一种计算上易处理的方法日益流行，用以克服该问题，因为它们可以基于有限次直接模拟运行做出预测。这些元模型前景广阔，但它们往往仍需大量直接模拟才能达到可接受的性能。在此我们展示，迁移学习——一种将解决某一问题时获得的知识迁移至解决不同但相关问题的策略——可帮助克服这一局限。关键在于，迁移学习可用于利用低保真模拟数据以及由解决不同但相关力学问题所得出的模拟数据。在本文中，我们扩展了 Mechanical MNIST（我们关于经历大变形的异质材料的开源基准数据集），以纳入一组所需 CPU 运行时间少 2–4 个数量级的低保真模拟结果。随后，我们展示迁移存储于这些低保真模拟结果上训练的元模型中的知识，可极大提升用于预测高保真模拟结果的元模型性能。