ICMLJun, 2021

基于注意力神经过程和批次贝叶斯优化的物理基准数字孪生可扩展校准

PDF
TL;DR《ANP-BBO: 基于 Bayesian 优化的可扩展的建筑数字孪生参数校准方法》提出了 ANP-BBO 方法，即一种可扩展且可并行化的批次式 Bayesian 优化方法，利用关注机制的神经过程模型，以解决大规模数字孪生模型参数校准的困难。
physics-informeddynamical system modelsdigital twinscalibrationbayesian optimization
发现论文，激发创造
  • 贝叶斯自适应校准与最优设计

    这篇论文介绍了一种基于贝叶斯自适应实验设计的数据高效算法，用于校准自然现象的计算机模型，并展示了该方法在人工合成数据和真实数据问题中相比其他方法的优势。

    May, 2024

  • 贝叶斯框架下的黑箱模型优化神经过程

    本文提出了一种称为神经过程贝叶斯优化的通用黑盒模型优化算法，通过使用神经过程作为代理模型来提高效率和准确性，在功率系统参数优化问题和七个基准贝叶斯优化问题上的比较均表明该算法的性能优于其他四个基准算法。

    Apr, 2021

  • 数据驱动的物理信息神经网络：数字孪生视角

    本研究从不同角度探索了物理信息神经网络在数字孪生中的潜力，包括验证自适应采样方法在免网格框架中的有效性、评估数据驱动的 PINN 框架的性能，验证其在参数化 Navier-Stokes 方程中的可扩展性，提出了多保真度的数据驱动 PINN 方法，并评估其在不同的预测任务中的预测性能，最后通过集合方法研究了多保真度的数据驱动 PINN 方法的不确定性量化性能，证实了其在数字孪生中的潜力。

    Jan, 2024

  • 可扩展贝叶斯优化算法：基于深度神经网络

    本文研究如何使用神经网络作为替代高斯过程的方法建立函数分布模型，以实现高效的贝叶斯优化方法并应用于大规模超参数优化，通过卷积网络和神经语言模型在基准目标识别任务和图像描述生成方面实现了优异的效果。

    Feb, 2015

  • 大批量神经多目标贝叶斯优化

    本文提出了一种基于贝叶斯神经网络的优化框架，专门针对数据密集型环境中多目标优化的局限性进行了优化，实现了对大量数据的有效处理和复杂问题的建模，并展示了其在航空动力学和彩色印刷两个领域的应用和有效性。

    Jun, 2023

  • 非线性动力系统的数字双胞胎：一个视角

    对于非线性动力系统的数字孪生，其基本要求是能够生成系统的演化并预测潜在的灾难性紧急行为，以提供早期警示。数字孪生可以实时用于系统的 “健康” 监测和预测问题的解决。构建非线性动力系统的数字孪生有两种方法：稀疏优化和机器学习。本文描述了这两种方法的基本概念并讨论了它们的优势和注意事项。

    Sep, 2023

  • 人工神经孪生 —— 分布式工艺链的过程优化和持续学习

    工业过程优化和控制是提高经济和生态效益的关键。我们提出了人工神经双胞胎，结合了模型预测控制、深度学习和传感器网络的概念，以解决数据主权、不同目标或实施所需的专业知识等问题。通过将相互连接的过程步骤视为准神经网络，我们可以对过程优化或模型微调进行损失梯度的反向传播，从而调整过程参数或人工智能模型。该概念在 Unity 中模拟的虚拟机群中进行了演示，其中包括塑料回收中的散粒材料处理过程。

    Mar, 2024

  • 基于贝叶斯优化的可持续工艺系统灵活高效设计框架

    贝叶斯优化是一种强大的技术，可用于优化噪声大、昂贵难评估的黑箱函数，在科学、工程、经济、制造等领域具有广泛的实际应用。本文概述了贝叶斯优化在下一代过程系统设计中的最新进展、挑战和机遇，并介绍了如何利用高级贝叶斯优化方法更有效地解决这些应用中的重要问题。最后，我们总结了提高概率模型质量、选择下一个样本点的内部优化过程以及利用问题结构提高样本效率方面的挑战和机会。

    Jan, 2024

  • 基于稀疏注意力的数字孪生中生产过程优化的质量预测

    通过使用生产线的数学模型，基于质量预测模型的数字孪生模型在虚拟和实际生产线之间实现了流畅的集成，提高了过程质量和生产效率。

    May, 2024

  • 利用随机先验网络进行高维输出的可伸缩贝叶斯优化

    本文提出了一个深度学习框架，基于具有随机先验的 bootstrap 整合的神经体系结构，用于贝叶斯优化和连续决策。该框架能够在高维输出的情况下逼近设计变量和感兴趣数量之间的函数关系，测试表明该方法在优化轮毂叶片的形状等高度复杂的任务中具有明显的优越性。

    Feb, 2023