01 “声学中的机器学习”JASA.特刊综述
在过去十年中，机器学习（ML）在声学中的应用受到了广泛关注。机器学习的独特之处在于它可以应用于声学的所有领域。机器学习具有变革潜力，因为它可以提取有关在声学数据中观察到的事件的基于统计的新信息。声学数据提供从生物学和通信到海洋和地球科学的科学与工程见解。本期特刊包括61篇论文，说明了机器学习在声学中的各种应用。
比翱工程实验室丨“声学中的机器学习” JASA.特刊综述
02 机器学习算法真的“理解”了它们试图解决的科学问题吗？
机器学习在科学界越来越流行，但这些算法真的“理解”了它们试图解决的科学问题吗？在本文中，我们解释了基于物理的神经网络，这是将物理原理融入机器学习的一种强大方式。
比翱观察丨机器学习算法真的“理解”了它们试图解决的科学问题吗？
03 院士观点 | 朱美芳：人工智能助力新材料研发
新材料产业是制造强国的基础，是高新技术产业发展的基石和先导，直接关系着我国战略新兴产业的发展。然而，我国新材料产业发展总体仍处于爬坡过坎的关键阶段，关键材料“卡脖子”问题还广泛存在。人工智能技术会为新材料研制带来怎样的改变和价值。
04 利用人工智能辅助制造技术实现多功能材料的3D打印
目前个性化的可穿戴设备大多是通过非原位打印制造的，该方法要先在平面基板上进行打印，随后再转移到目标表面上，但这种操作可能导致打印结构和目标表面无法在动态情况下实现匹配。原位打印为直接在目标表面上打印3D构造提供了一种潜在的解决方案，该方案需要人工智能（AI）的帮助来感知、适应和预测打印环境的状态。
综述：利用人工智能辅助制造技术实现多功能材料的3D打印
随着复合材料组分、结构以及性能需求的日益复杂化，以实验观测、理论建模和数值模拟为主体的传统研究范式，在复合材料力学性能分析、设计和制造等方面遇到了新的科学问题与技术瓶颈. 其中，实验观测不足、理论模型缺乏、数值分析受限、结果验证困难等问题在一定程度上制约了先进复合材料在面向未来工程领域中应用的发展。人工智能方法以数据驱动的模型替代传统研究中的数学力学模型，直接由高维高通量数据建立变量间的复杂关系，捕捉传统力学研究方法难以发现的规律，通过人工智能赋能来寻求复合材料中传统研究方法所面临难题的新的解决方案，目前已成为复合材料研究领域的发展趋势。
人工智能在复合材料研究中的应用
06 基于人工智能预测纤维材料比翱（BIOT）特性参数的方法
本研究提出了一种使用卷积神经网络(CNN)从X射线显微计算机断层扫描(CT)图像估计纤维材料传输参数的方法。二维(2-D)微CT图像和数值获得的传输参数用于训练CNN；斯托克斯流和势流用于使用从原始CT图像中提取的几何模型以数值方式获得传输参数。然后，类似于通过堆叠二维切片图像构建纤维材料的3D图像，使用训练的CNN模型预测的每个二维图像的参数计算纤维材料的体积传输参数。CNN模型预测的纤维体积的传输参数与测量值非常吻合。此外，通过将预测和测量的传输参数应用于半现象学声音传播模型并与测量的吸声系数进行比较，计算吸声系数。研究结果证实了使用基于原始微CT图像的神经网络模型预测纤维材料运输参数的可行性。
比翱工程实验室丨基于人工智能预测纤维材料比翱（BIOT）特性参数的方法
数据驱动模型正在成为材料和结构系统几何设计的一种幸运方法。然而，现有的数据驱动模型通常解决结构设计的优化问题，而不是超材料设计。为了解决这个问题，研究人员开发了一种新的深度学习模型应用程序(NCSA)及其行业计划和人工智能创新中心。深度学习模型基于复杂的卷积神经网络 (CNN)，可预测最佳超材料设计。
比翱观察丨人工智能加速拓扑优化超材料的设计
08 基于高斯过程模型的机器学习算法用于多孔声学超材料的设计与表征
当今的城市化和交通的快速增长会严重威胁人类健康，引起烦躁、睡眠障碍，甚至缺血性心脏病，因此对环境降噪的需求正在快速增长。在这种情况下，用于声学目的的多孔介质是由通道、缝隙或空腔制成的材料，其中声波穿过泡沫并由于粘性和热效应而损失能量。然而，多孔介质在低频下的效率不如在高频率下那么有效。这种限制通常通过使用多层结构来实现；在任何情况下，这些解决方案的效果始终取决于允许的厚度或隔音配置的总质量。为了克服这种限制，声学封装的低频性能可以通过使用带有嵌入式周期性夹杂物的多孔介质作为局部谐振器来显著增强。本研究旨在开发和验证用于设计和表征基于具有嵌入式周期性结构的泡沫芯层的全局振动声处理的工具，这些泡沫芯层允许在分层概念中被动控制声学路径。
比翱工程实验室丨基于高斯过程模型的机器学习算法用于多孔声学超材料的设计与表征
这项工作的目的是研究更易于管理、实用和可解释的机器学习方法（例如高斯过程）的适用性，以表征基于泡沫的超材料，同时证明预测性能的改进，即使涉及更复杂的现象学材料建模。此外，还强调了表征任务的有效性，这可能会提高材料设计、表征和优化的初步阶段，从而减少与实验测试和数值模拟相关的费用与计算时间。
阻抗管中吸声材料的声学特性的测量结果显示重现性很差，这在循环测试中得到了证明。阻抗管测量是标准化的，但缺乏对实际测量设置、样品制备和其他在实践中引入不确定性的因素的精确定义。在本文中，机器学习模型从一个阻抗管中测量的超过3000个吸收谱的大数据集中识别出哪些主要影响吸声系数的因素。试样由一种聚氨酯泡沫制成，并考虑了不同的切割技术、不同的操作员、不同的试样直径、不同的试样厚度以及将试样安装在阻抗管中的两种不同方法。可解释的机器学习技术允许识别和量化最有影响的因素，以及受这些设置因素选择影响最大的频率范围。结果表明，除了试样厚度外，操作者还通过方向和非随机关系影响吸声系数。因此，需要谨慎控制。该方法被证明是使用机器学习模型的可解释性方法从声学测量数据中发现知识的有前途的途径。
比翱工程实验室丨机器学习方法确定对阻抗管吸声系数测量的影响
10 通过机器学习方法减小原位吸声测量时有限尺寸效应所造成的误差
在这篇论文中，研究团队建议使用神经网络来预测带有传声器阵列的有限多孔样品的吸声系数谱。其主要目标是训练一个能够有效减小有限尺寸效应所造成误差的模型。卷积神经网络结构用于将阵列数据映射到五个频率的吸声系数。采用边界元法数值生成训练、验证和测试数据；使用Delany–Bazley–Miki模型在刚性背衬上模拟挡板、局部反应多孔吸声体，以改变样品尺寸、厚度、流阻率、入射角和频率。在这种情况下使用机器学习的优势在于，当网络从数据中学习必要的关系时，不会对声场或吸声器做出任何假设。研究表明，在各种情况下，网络都能很好地逼近吸声系数，就像样品是无穷大一样。
比翱工程实验室丨通过机器学习方法减小原位吸声测量时有限尺寸效应所造成的误差
11 基于人工神经网络进行陶瓷谐振器吸声特性的数值模拟
本文报道了利用声谐振器原理测量陶瓷材料吸声系数的实验结果。随后，从测量中获得的值用于训练基于人工神经网络的分析材料声学行为的仿真模型。陶瓷吸声材料的可能应用可能源于美学或建筑需求或功能需求，因为陶瓷是耐高温的防火材料。基于人工神经网络算法的仿真模型返回的结果特别重要。这一结果表明，采用该技术可以找到最佳配置，使材料具有最佳的吸声性能。
比翱工程实验室丨基于人工神经网络进行陶瓷谐振器吸声特性的数值模拟
12 普信科技受邀出席中国仿真学会人工智能仿真技术专业委员会成立大会
普信科技在系统创新、工程仿真、虚拟试验、材料声学研究与声振工程设计、静音生态与智能材料产业化研究与工程转化应用等领域，持续为国内智造业科研院所和企业提供一流的技术、产品和服务，正在成长为智能制造生态链中的一家高科技工程服务平台与产业化高地。近年来，普信公司成立了专门的人工智能研究团队，正在积极探索和加速人工智能技术与普信主体与核心业务领域的深度融合，通过普信®声学创新研究院的国际化运作机制，正在与全球科研和工程合作方进行基于人工智能的新一代噪声控制技术和工具、多元生态与智能材料研制、现代声学实验室构造与运维等领域的高端工程技术开发与行业应用，助力全球用户提升创新研发流程与体系，带来研发和经济效益。
普信科技受邀出席中国仿真学会人工智能仿真技术专业委员会成立大会
弗劳恩霍夫数字媒体技术研究所（Fraunhofer IDMT）开发了基于最新人工智能技术的声学监测智能应用软件，用于工业质量控制与保证。该软件可以使没有AI专业知识的用户从中受益。
Fraunhofer IDMT，基于人工智能技术开发声学质量控制软件
材料的研发和优化均少不了材料设计这一重要环节，基于传统理论研究、实验分析和计算仿真的手段已经逐渐不能满足高性能新材料的发展需求，日渐激烈的制造业竞争向材料学家们提出了更高的要求：如何降低新材料从发现到应用的周期成为材料领域关注的焦点问题。近年来，材料数据库与作为实现人工智能的重要核心技术之一的机器学习的结合推动了材料信息学的发展，成为材料科学发展的一种创新模式。当前，合理应用数据驱动的机器学习算法建立模型预测新材料的方法受到学者们的青睐，成为开发新材料的重要手段。现阶段机器学习方法已被广泛应用于超导、光伏、热点、催化、有机材料、高熵合金等几乎所有材料设计领域。通过采用机器学习算法训练材料性能的预测模型，并将其用于筛选现有材料数据库或者搜索新的材料，大大加快了新材料发现的过程。
MatAi | 机器学习在材料研发领域的应用
15 机器学习如何与材料结合？Nature子刊、JACS、ES&T等8篇成果精选！
人工智能 (AI) 和机器学习 (ML) 越来越多地用于材料科学，以构建预测模型和加速发现新材料。
免责声明：本文旨在传递更多科研资讯及分享，所有其他媒、网来源均注明出处，如涉及版权问题，请作者第一时间后台联系，我们将协调进行处理，所有来稿文责自负，两江仅作分享平台。转载请注明出处，如原创内容转载需授权，请联系下方微信号
