微滴挤压流动：具有可训练可调细化功能的卷积神经网络
机器学习
2022-11-17 v1
摘要
我们提出一个基于神经网络的平台，用于解决微滴挤压流动背景下的图像到图像翻译问题。本文第一部分，我们给出控制偏微分方程以阐明该问题的底层物理。我们还讨论了已开发的 Python 包 sqflow，它有可能作为机器学习与计算机视觉领域中免费、灵活且可扩展的标准化基准。本文第二部分，我们引入一个残差卷积神经网络来解决相应的逆问题：将具有特定液膜厚度的低分辨率（LR）液滴图案图像翻译为高分辨率（HR）压印图像，该压印图像能在适当的液滴铺展时间内产生给定的压印图像。我们提出一种神经网络架构，通过学习使用函数逼近器系统地调谐其残差卷积块的细化级别，这些函数逼近器经训练将给定输入参数（膜厚）映射到适当的细化级别指示符。我们使用多堆叠卷积层，其输出根据直接连接的函数逼近器提供的细化级别指示符进行翻译。结合非线性激活函数，这种翻译机制使 HR 压印图像能在多步中顺序细化，直至目标 LR 液滴图案图像显现。该平台可潜在应用于数据压缩与数据加密。已开发的包与数据集在 GitHub 上公开可用：https://github.com/sqflow/sqflow。
引用
@article{arxiv.2211.09061,
title = {Squeeze flow of micro-droplets: convolutional neural network with trainable and tunable refinement},
author = {Aryan Mehboudi and Shrawan Singhal and S. V. Sreenivasan},
journal= {arXiv preprint arXiv:2211.09061},
year = {2022}
}
备注
27 pages, 18 figures