用深度神经网络学习隐藏的弹性
软凝聚态物质
2022-06-08 v1 应用物理
摘要
我们引入一种从头弹性成像方法，从测量的应变中学习固体的弹性。我们新方法中的深度神经网络由弹性理论监督，不需要标记数据用于训练。结果表明，所提方法能准确学习固体的隐藏弹性，并且在含噪和缺失测量时具有鲁棒性。对于无测量区域，神经网络也可基于邻近区域的弹性分布重建其可能的弹性分布。该神经网络将固体的隐藏弹性学习为位置的函数，从而能以任意分辨率生成弹性图像。本研究利用该特性创建了超分辨率弹性图像。我们展示了当应变和弹性分布均给定时，神经网络也能学习隐藏的物理规律。所提方法具有多种独特特征，可广泛应用于各类弹性成像应用。
引用
@article{arxiv.2010.13534,
title = {Learning hidden elasticity with deep neural networks},
author = {Chun-Teh Chen and Grace X. Gu},
journal= {arXiv preprint arXiv:2010.13534},
year = {2022}
}