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。

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。