如何通過表面觀察“看見”軟物質(zhì)內(nèi)部的異常一直是一個難以攻克的挑戰(zhàn)。傳統(tǒng)的檢測方法，如X光、超聲等，雖然廣泛應用于醫(yī)學和工業(yè)領(lǐng)域，但它們往往存在分辨率不足、成本高、操作復雜以及應用受限等問題。特別是在軟物質(zhì)領(lǐng)域，當材料內(nèi)部的異常難以直接可視化時，這一問題變得更加突出。例如，在醫(yī)學影像學中，心臟瓣膜、腫瘤或其他組織的病變，往往無法通過常規(guī)影像手段得到精確的物理特征描述。如何實現(xiàn)非侵入式、高效且精準的內(nèi)部異常檢測是軟物質(zhì)領(lǐng)域亟待解決的難題。

北京大學第三醫(yī)院與工學部的研究團隊近日在國際期刊Advanced Science發(fā)表論文，提出基于表面大形變反推軟物質(zhì)內(nèi)部物理異常的創(chuàng)新方法，有效突破了傳統(tǒng)檢測手段的局限。該方法的核心思想是，通過觀測軟物體表面在外力作用下的大形變，結(jié)合先進的數(shù)學模型和算法，反向推導內(nèi)部的材料屬性、異常位置和形狀。具體流程如下：1、大形變觀測：通過常規(guī)的成像技術(shù)（如超聲、CT掃描等）獲取軟物體表面的大形變數(shù)據(jù)。2、虛擬孿生模型：使用有限元分析技術(shù)構(gòu)建物體的虛擬模型，以模擬其在不同物理條件下的變形過程，實現(xiàn)物理現(xiàn)象的高度還原。3、并行貝葉斯優(yōu)化算法：通過貝葉斯優(yōu)化方法，在虛擬孿生模型中迭代調(diào)整物理參數(shù)，使模擬結(jié)果最大程度貼近真實觀測數(shù)據(jù)，從而實現(xiàn)對物體內(nèi)部物理屬性的精準反演。

這種創(chuàng)新方法不僅能夠精準識別物體內(nèi)部的剛度分布、異常形狀和異常位置，還能夠有效減少傳統(tǒng)優(yōu)化算法對實驗數(shù)據(jù)的高需求，使得優(yōu)化過程更加高效。與傳統(tǒng)的物理推演和模型擬合相比，這一方法具有更高的精度和計算效率，尤其適用于軟物質(zhì)這類復雜的非線性材料。

為了驗證方法的有效性，研究團隊進行了多個場景下的實驗測試：

l梁彎曲實驗：研究團隊首先構(gòu)建了仿真梁模型和真實的PDMS梁模型，通過測試梁的彎曲形變，成功識別出材料內(nèi)部的剛性夾層和異常區(qū)域。實驗結(jié)果表明，仿真模型實驗誤差低于0.2%，而真實模型實驗誤差低于6%，顯示了該方法在材料檢測中的高精度。

l氣球膨脹仿真實驗：通過模擬氣球的膨脹過程，研究團隊成功地從形變數(shù)據(jù)中恢復出氣球內(nèi)的異常區(qū)域，估算誤差不超過2.6%。這一實驗驗證了該方法在三維變形場景中的強大能力。

l主動脈瓣鈣化仿真實驗：針對鈣化病變的心臟瓣膜，該方法成功從變形軌跡中反推出鈣化區(qū)域的形狀、位置以及剛度等物理信息參數(shù)。這一結(jié)果為醫(yī)學領(lǐng)域提供了新的非侵入式定量診斷工具，尤其適用于疾病的早期診斷和監(jiān)測。

這些實驗展示了該方法在醫(yī)學影像學、軟體機器人、材料科學等不同領(lǐng)域的廣泛應用潛力。例如，在醫(yī)學診斷中，尤其是在軟組織病變的診斷中，該方法可為醫(yī)生提供更精確的檢測結(jié)果，有效彌補傳統(tǒng)影像學方法的不足。同時，在新興的軟體機器人領(lǐng)域，該方法可為軟體機器人的自我感知和故障檢測提供更加可靠的數(shù)據(jù)支持，推動軟體機器人走向應用場景。

該研究成果以題為“Uncover Hidden Physical Information of Soft Matter by Observing Large Deformation”的論文發(fā)表于國際知名期刊Advances Science上。第一作者為碩士研究生楊煥煜，通訊作者為北京大學第三醫(yī)院心內(nèi)科祖凌云教授、北京大學先進制造與機器人系劉珂研究員、以及北京大學力學與工程科學系朱馳研究員。

論文鏈接：

https://advanced.onlinelibrary.wiley.com/doi/10.1002/advs.202414526