Apr, 2023

利用精确代理模型增强反问题求解的方法，找到有前途的候选解

PDF
TL;DR研究了神经邻伴方法中代理模拟器准确性对解决方案的影响，通过提出一种名为 Neural Lagrangian 方法的扩展，发现使用大型精确的代理模拟器能够更好地解决问题。在进行必要数量的解决方案候选者的处理困难时，NeuLag 方法能够找到最优解，即使在处理软或硬约束时也可以。
发现论文，激发创造
  • 基于机器学习代理的贝叶斯反问题方法应用

    使用神经网络作为代理模型，解决逆问题中基于二维声波方程噪声数据推断源位置的问题。

    Oct, 2023

  • 神经网络算子学习中的代价 - 准确度权衡

    本文讨论了使用神经网络进行偏微分方程算法中的代理建模，并比较了多种神经网络框架对于连续力学中的 PDE 模型的算子逼近问题的数值研究结果。

    Mar, 2022

  • 电磁波反问题的统一可验证神经模拟器

    基于神经网络的模拟器提供了比电磁波传播模拟快数个数量级的路径。我们展示了一个统一的模型，能够解决数千自由度的散射模拟问题，适用于任何波长、任何照明前波前以及任何自由形式的材料，模型基于一种关注的多条件策略，并允许非循环监督和预测中间物理状态，这提供了更好的泛化性能而无需额外的数据生成成本。使用这种 O (1) 的中间预测能力，我们提出并证明了有效可计算的预测误差上界，使得所有预测在推断时都能提供准确性保证。在仅使用随机系统训练后，我们通过一套具有挑战性的多学科反问题展示了统一模型，在光学断层扫描、体积随机介质中的光束成形和自由光子反设计等问题中，我们发现性能和速度改进效果达到 96%，而无需特定问题的训练。我们的发现展示了一种通向现有散射模拟器的通用、可验证准确的神经替代品的路径，而我们的条件和训练方法直接适用于任何允许时域迭代求解器的偏微分方程。

    Mar, 2024

  • 飞机预测性维护的代理神经网络局部稳定性

    通过在工业预测性维护领域中验证基于代理神经网络的模型，本研究探索了将经验法和形式方法结合在一个验证流程中的效果，证明了该流程在减少运行时能力和高维度输入输出空间的代理模型验证方面的有效性。

    Jan, 2024

  • 从隐式模型中挖掘金子，以改善无似然推理

    介绍了一种新型的基于模拟的推断技术，在高维情况下，这种技术超越了传统的近似贝叶斯计算方法，并扩展了基于神经网络的代理模型的方法，并演示了这些新技术比传统方法更具样本效率和提供更高保真度的推断。

    May, 2018

  • NeuroLGP-SM: 深度神经网络的可扩展替代辅助神经进化

    在神经进化（neuroevolution）中，我们提出了一种名为 NeuroLGP-SM 的方法，它利用表型距离向量和 Kriging Partial Least Squares（KPLS）作为代理模型，以高效准确地评估大型深度神经网络（DNNs）的适应度，并且相比其他方法具有竞争力或更好的结果和更高的能源效率。

    Apr, 2024

  • Autoinverse: 神经网络的不确定性感知反演

    Autoinverse 是一种高度自动化的逆变神经网络代理的方法，该方法能够在真实世界中部署，并且具有可行性和嵌入式正则化，并且在控制、制造和设计等领域得到了验证。

    Aug, 2022

  • 增强式人工智能迭代求解器用于加速大规模参数化系统的解决方案

    该论文基于最新的机器学习工具，提供了一种定制的迭代求解器，结合代数多重网格方法和 proper orthogonal decomposition（POD-2G），能够在任意所需精度下，求解大规模参数化问题中的线性方程系统。

    Jul, 2022

  • 通过修正操作来提高非线性变分边界值问题的神经算子代理模型的准确性和可靠性

    本文介绍了一种基于线性变分问题的框架，通过矫正算子解决神经算子的非准确性问题，从而提高神经算子在参数化偏微分方程中的应用效果。数值实验结果显示，通过该框架得到的矫正算子，能够大幅提高神经算子的精度，显著避免其在拓扑优化等相关问题中出现较大误差。

    Jun, 2023

  • 神经 LGP-SM：基于线性遗传编程的辅助神经进化方法

    我们通过采用基于线性遗传编程的适当表示方法（称为 NeuroLGP）和应用克里金偏最小二乘法来解决神经演化中的计算挑战，提出了一种称为 NeuroLGP-Surrogate Model（NeuroLGP-SM）的方法。该方法在 96 次独立运行中表现出卓越的精度，并且比基线方法节省了 25% 的计算资源，进一步突显了其在神经演化中的效率。

    Mar, 2024