解决材料工程任务往往受到有限信息的阻碍，例如在只有边界数据信息的反问题中，或者在目标简单但搜索空间巨大的设计任务中。近日，麻省理工学院Markus J. Buehler利用可转移的深度学习方法恢复丢失的物理场信息。

本文要点：

1) 为了应对这些挑战，作者利用多个深度学习（DL）架构来预测在部分领域中已知数据有限情况下的缺失机械信息，并从2D和3D复杂微观结构恢复的机械场中进一步表征复合材料的几何形状。在2D中，作者利用条件生成对抗性网络（GAN）来完成部分掩蔽场图，并通过对具有混合应力/应变分量、分层几何结构、不同材料特性和各种类型的微观结构来解决逆问题。

2) 在3D中，作者实现了基于Transformer的体系结构，以根据输入场快照来预测完整3D机械场。无论微观结构的复杂性如何，该模型都表现出优异的性能，甚至从单个表面场图像中恢复了整个场，并只允许通过边界测量进行内部结构表征。整个框架为不完全信息的分析和设计提供了有效的方法，并允许从性质直接反向转换回材料结构。

参考电竞投注官网 ：

Zhenze Yang et.al Fill in the Blank: Transferrable Deep Learning Approaches to Recover Missing Physical Field Information Adv. Mater. 2023

DOI: 10.1002/adma.202301449

https://doi.org/10.1002/adma.202301449