AI-dente:一个基于机器学习的开放工具,用于解释软组织和材料的纳米缩数据

科学领域:

• 材料科学 材料科学 材料科学
• 生物力学 生物力学
• 计算力学 计算力学 计算力学

背景情况:

• 纳米沉积对于描述软材料和组织至关重要,特别是在小规模上.
• 纳米缩数据的传统分析依赖于简化的模型 (例如,赫兹溶液),这些模型对于小样本和深度缩是不准确的.
• 从纳米沉积中解释负载位移曲线是具有挑战性的,因为变形场不均.

研究的目的:

• 开发和验证机器学习策略,用于精确反向分析软材料中的纳米缩数据.
• 为传统方法提供更快,更准确的替代方法来提取构成参数.
• 证明机器学习方法在生物组织实验数据上的稳定性和适用性.

主要方法:

• 使用有限元素方法模拟生成大型合成数据集.
• 训练神经网络来学习进陷的前向和反向问题.
• 代和直接应用学习模型来识别材料参数 (新胡金和根特模型).

主要成果:

• 从合成数据中准确识别材料参数的学习前向和反向问题方法.
• 机器学习方法即使在小样本大小和深深的缩深度上也被证明是有效的.
• 该方法在1000多只小鼠脑样本上证明了对实验噪声的稳定性,优于传统方法.

结论:

• 机器学习为分析软材料中的纳米缩数据提供了强大而高效的替代方案.
• 开发的方法是准确的,快速的,强大的,特别是对于具有挑战性的样品类型和实验条件.
• 对数据和代码的开放访问旨在促进软材料纳米沉积的进一步研究.