基于行列式点过程的神经网络采样器在集成强化学习中的应用

ICMLJan, 2022

基于行列式点过程的神经网络采样器在集成强化学习中的应用

DNS: Determinantal Point Process Based Neural Network Sampler for Ensemble Reinforcement Learning

Hassam Sheikh, Kizza Frisbee, Mariano Phielipp

TL;DR提出了一种基于 Determinantal Point Process 的神经网络采样器 DNS，可在强化学习算法中采用子集的方式减少训练 Neural Networks 所需的时间和计算成本，MuJoCo 环境上对 DNS 的实验表明在使用不到 50% 的运算资源（FLOPS）的情况下，DNS 的 REDQ 性能高于 REDQ 基线模型的平均累积奖励。

Abstract

Application of ensemble of neural networks is becoming an imminent tool for advancing the state-of-the-art in deep reinforcement learning algorithms. However, training these large numbers of neural networks in th

ensemble of neural networks deep reinforcement learning determinantal point process training time computation cost

发现论文，激发创造

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

高维随机偏微分方程深度神经网络代理

利用深度学习方法解决高维随机偏微分方程的问题。通过使用全连接深度残差网络来逼近随机偏微分方程，在确定逼近深度神经网络的参数时，采用了 SGD 的变种，并在扩散和热传导问题上得到了验证。

Jun, 2018

强化学习和自适应采样用于优化 DNN 编译

通过将神经网络的编译器优化问题作为强化学习问题，本文提出了一种新的解决方案，名为 ReLeASE，它通过聚类来聚焦于代表性点上的昂贵采样，并且通过在较短的时间内更好地探索来提高样本的质量。实验表明，使用自适应采样的强化学习可以大大加快优化时间并提高现代深度网络的推理时间。

May, 2019

使用神经网络偏差势加速稀有事件采样

该研究论文介绍了一种将重要性抽样与深度神经网络相结合的实用方法，提高了稀有事件的采样效率，并在计算物理学和材料科学领域对稀有事件进行了研究和比较。

Jan, 2024

使用直接网格细化算法高效训练物理知情神经网络

开发了一种适用于物理信息神经网络中残余点的自适应采样的创新算法，具有直接网格细化方法和高效的计算方法，能够提高模拟精度和性能。

Jun, 2023

工业物联网中基于深度强化学习的协作 DNN 推断保证准确性

本文研究了工业物联网网络中协作深度神经网络推理问题，提出了一种基于深度强化学习的算法，将动态配置物联网设备的采样率、推理任务卸载和边缘计算资源分配共同考虑，通过转化为马尔可夫决策过程来最小化服务延迟并保证准确性。

Dec, 2022

基于神经网络的变分增强采样

使用机器学习技术和变分增强采样方法结合来快速采样自由能面，通过采用神经网络表示偏差来决定采样的参数，在重复学习方案中对其进行确定并打破一些壁垒

Apr, 2019

基于量子启发式张量神经网络求解偏微分方程

本文介绍了如何通过 Tensor Neural Networks 来解决 Partial Differential Equations 的问题，实现了与 Deep Neural Network 同样精度的情况下更小的参数及更快的训练速度，并以 Black-Scholes-Barenblatt equation 模型为例进行了测试验证。

Aug, 2022

基于动态网格方法的 MMPDE-Net 与移动采样物理推断神经网络

提出了一个基于移动网格偏微分方程方法的端到端自适应采样神经网络（MMPDE-Net），通过求解移动网格偏微分方程来自适应生成采样点的新坐标。与 PINN 结合形成 MS-PINN，通过四个典型例子的数值实验验证了我们方法的有效性。

Nov, 2023

拓扑优化应用中的动态配置物理信息神经网络

机器学习与拓扑优化的整合引起了广泛关注，物理信息神经网络（PINN）可以在解决前向问题时避免产生大量数据，并提供更好的推断。因此，提出了一种动态配置的基于 PINN 的拓扑优化方法（DCPINN-TO），该方法通过动态配置可训练参数并使用活跃采样策略，实现对位插值点的选择性采样。经过多个验证例子和多载荷、多约束问题的考察，验证了 DCPINN-TO 方法的可行性，同时与基于有限元分析的拓扑优化方法（FEA-TO）相比，位移预测准确性和优化结果的准确性表明 DCPINN-TO 方法具备高效性和有效性。

Dec, 2023