研究进展：自动应变传感器设计，通过主动学习和软机器数据增强 | Nature Machine Intelligence

今日新材料 20220129

应变传感器

新兴软体机器soft machines，需要高性能应变传感器，实现闭环反馈控制。机器学习是一种多功能工具，可在设备级别揭示制造配置和传感器性能之间的复杂相关性。近日，新加坡国立大学Xiaonan Wang团队，联合马里兰大学Po-Yen Chen在Nature Machine Intelligence上发文，报道了一个三阶段的机器学习框架，用于实现高精度预测模型，该模型能够自动设计应变传感器。首先，通过使用各种纳米材料的351种成分来训练支持向量机分类器。其次，通过12个主动学习回路，分阶段制作了125个应变传感器，丰富了多维数据集。第三，为了解决数据稀缺性，实施了数据扩充，以合成超过10，000个虚拟数据点，然后基于遗传算法进行选择，以优化模型的预测精度。总结了几种压阻纳米复合材料的数据驱动设计规则，并通过原位微观研究进行了验证。最后，模型建议的应变传感器，可以集成到各种软机器上，以赋予其实时应变传感能力。

Automatic strain sensor design via active learning and data augmentation for soft machines。

通过主动学习和软机器数据增强的自动应变传感器设计。

图1：用于构建机器学习预测模型的三阶段框架，该模型能够用于软机器的自动应变传感器设计。

图2：通过SVM在传感器设计空间中的边界定义。

图3：通过主动学习逐步探索传感器设计空间。

图4：通过数据扩充和基于遗传算法的选择进行模型优化。

图5：主动学习收集的数据点进行统计分析。

图6：软机器的自动传感器设计。

该研究开发了一种通生物学实验wet-lab experiments 和机器智能混合方法，构建高精度预测模型，该模型能够在宽应变范围（从<0.5%到350%）内自动设计传感器，然后将其应用于各种软体机器。同时，采用了三种具有代表性的纳米材料（MXene纳米片、SWNTs和PVA粘合剂），制备Gn传感器的应变传感层。实现了SVM分类器训练、主动学习循环和数据扩充三阶段框架，分别用于定义模型边界、丰富多维数据集和提高模型预测精度。

为了确保数据质量和平衡，351个分层测试和125个GN传感器由一个实验室在没有文献数据的相同方案下进行/制造。在数据扩充和Ga选择之后，支持ML预测模型的多维数据集包含>10，000个真实和虚拟数据点。通过使用最终预测模型，可以自动实现各种软体机器的应变传感器逆向设计，而无需反复试验。执行进一步的数据分析，以研究作为未来参Gn传感器的几个广义设计原则，并通过原位电子显微镜研究得到进一步证实。同时，模型建议Gn传感器被集成到两种软体机器中，即软夹持器和Batoid-like游泳者。

文献链接：https://www.nature.com/articles/s42256-021-00434-8

https://doi.org/10.1038/s42256-021-00434-8

本文译自Nature。

查看全文

今日新材料

作者最近更新

研究进展：自动应变传感器设计，通过主动学习和软机器数据增强 | Nature Machine Intelligence

今日新材料

期刊订阅

大型立交桥顶层设多种传感器监测桥梁结构安全

国外三款智能手套及其中的传感技术运用

新型电子皮肤智能衣：利用各类传感器追人体动作

位移传感器等传感技术用于高架桥荷载试验中