論文の概要: Bubble Dynamics Transformer: Microrheology at Ultra-High Strain Rates

• arxiv url: http://arxiv.org/abs/2506.11936v1
• Date: Fri, 13 Jun 2025 16:38:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 17:50:49.880156
• Title: Bubble Dynamics Transformer: Microrheology at Ultra-High Strain Rates
• Title（参考訳）: バブルダイナミクス変換器:超高ひずみ速度マイクロレオロジー
• Authors: Lehu Bu, Zhaohan Yu, Shaoting Lin, Jan N. Fuhg, Jin Yang,
• Abstract要約: レーザー誘起慣性キャビテーション(lic)は、非常に高いひずみ速度で軟質生体材料力学を研究するユニークな機会を提供する。 伝統的なレオロジーの道具は、スピード、解像度、侵入性によってこれらのレジームで制限されることが多い。 本稿では, 生体材料の粘弾性特性を超高ひずみ速度で特徴付けるために, licを利用した機械学習(ML)に基づく新しいミクロレオロジーフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.045641982363064
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Laser-induced inertial cavitation (LIC)-where microscale vapor bubbles nucleate due to a focused high-energy pulsed laser and then violently collapse under surrounding high local pressures-offers a unique opportunity to investigate soft biological material mechanics at extremely high strain rates (>1000 1/s). Traditional rheological tools are often limited in these regimes by loading speed, resolution, or invasiveness. Here we introduce novel machine learning (ML) based microrheological frameworks that leverage LIC to characterize the viscoelastic properties of biological materials at ultra-high strain rates. We utilize ultra-high-speed imaging to capture time-resolved bubble radius dynamics during LIC events in various soft viscoelastic materials. These bubble radius versus time measurements are then analyzed using a newly developed Bubble Dynamics Transformer (BDT), a neural network trained on physics-based simulation data. The BDT accurately infers material viscoelastic parameters, eliminating the need for iterative fitting or complex inversion processes. This enables fast, accurate, and non-contact characterization of soft materials under extreme loading conditions, with significant implications for biomedical applications and materials science.
• Abstract（参考訳）: レーザー誘起慣性キャビテーション(lic)-そこでは、高エネルギーパルスレーザーが集束し、周囲の高圧力下で激しく崩壊し、非常に高いひずみ速度(>10001/s)で柔らかい生体材料力学を調査するユニークな機会となる。 伝統的なレオロジーの道具は、スピード、解像度、侵入性によってこれらのレジームで制限されることが多い。 本稿では, 生体材料の粘弾性特性を超高ひずみ速度で特徴付けるために, licを利用した機械学習(ML)に基づく新しいミクロレオロジーフレームワークを提案する。 超高速イメージングによる各種軟粘弾性材料における液状化過程における時間分解気泡半径のダイナミックスの測定を行った。 これらのバブル半径と時間測定は、物理に基づくシミュレーションデータに基づいてトレーニングされたニューラルネットワークであるBubble Dynamics Transformer (BDT)を用いて分析される。 BDTは材料粘弾性パラメータを正確に推論し、反復フィッティングや複雑な反転プロセスの必要性を排除している。 これにより、極度の負荷条件下での軟質材料の高速、高精度、非接触的な特性評価が可能となり、生体医学的応用や材料科学に大きな影響を及ぼす。

関連論文リスト

• Differentiable Physics-based System Identification for Robotic Manipulation of Elastoplastic Materials [43.99845081513279]
  本研究は, ロボットアームが簡単な操作動作と不完全な3次元点雲を用いて, 弾塑性材料の物理パラメータと環境を推測することのできる, 微分可能物理に基づくシステム同定(DPSI)フレームワークを提案する。 1つの現実世界の相互作用だけで、推定されたパラメータは、目に見えない、長い水平運動によって引き起こされる視覚的および物理的に現実的な振る舞いを正確にシミュレートすることができる。
  論文  参考訳（メタデータ） (2024-11-01T13:04:25Z)
• Bridging scales in multiscale bubble growth dynamics with correlated fluctuations using neural operator learning [1.8629003661522465]
  本研究では, マイクロスケールおよびマクロスケールの非線型気泡力学解析を統一する合成ニューラル演算子モデルを構築した。 トレーニングデータと試験データは, 0.1マイクロメートルから1.5マイクロメートルの範囲の気泡半径を持つ非線形気泡動力学のmDPDおよびRPシミュレーションにより生成する。 その結果, トレーニングした複合型ニューラルオペレーターモデルは, 気泡半径の時間的評価に99%の精度で, スケールのバブルダイナミクスを正確に予測できることが示唆された。
  論文  参考訳（メタデータ） (2024-03-20T04:56:02Z)
• Viscoelastic Constitutive Artificial Neural Networks (vCANNs) $-$ a framework for data-driven anisotropic nonlinear finite viscoelasticity [0.0]
  粘弾性構成型ニューラルネットワーク(vCANN)を紹介する。 vCANNは、有限ひずみにおける異方性非線形粘性のための新しい物理インフォームド機械学習フレームワークである。 我々は,vCANNが人間の指導なしに,これらの素材の挙動を正確に,効率的に把握できることを実証した。
  論文  参考訳（メタデータ） (2023-03-21T19:45:59Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Ultrafast viscosity measurement with ballistic optical tweezers [55.41644538483948]
  非侵襲粘度測定は秒の積分時間を必要とする。 速度を最大20マイクロ秒まで改善した4つの命令を実演する。 光学式ツイーザにおける捕捉粒子の瞬時速度を用いてこれを実現する。
  論文  参考訳（メタデータ） (2020-06-29T00:09:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。