ICMLSep, 2023

扩散生成逆向设计

PDF
TL;DR逆向设计问题可以通过学习仿真、图神经网络以及去噪扩散模型等方法得到有效解决，可用于流体动力学设计挑战中减少对模拟器的调用次数。
inverse designlearned simulationgraph neural networksdenoising diffusion modelsfluid dynamics
发现论文，激发创造
  • 组合式生成逆设计

    通过优化扩散模型所捕获的学习能量函数，我们可以避免针对优化模型出现的对抗样本，从而显著提高设计性能，并且在多体相互作用和复杂气动式设计任务中，我们的方法通过在测试时组合学习到的扩散模型，超越了最先进的神经网络逆向设计方法的预测 MAE 平均值 14.3% 和设计目标 41.5%。

    Jan, 2024

  • 基于扩散概率模型的高精度高自由度超材料逆向设计

    本文提出了一种基于扩散概率理论的新型超材料反设计方法，该方法可以逐步从高斯分布中去除噪声并生成满足 S 参数条件的新型高自由度元电池，并且证明实验表明该方法在模型收敛速度、生成精度和质量方面优于 GAN 的代表性方法。

    Apr, 2023

  • 利用前向模型的扩散：无需直接监督解决随机逆问题

    本文提出了一种基于去噪扩散概率模型的条件生成模型，通过把一个已知的、可求导的正向模型集成到去噪过程中，实现了间接观测信号的采样， 并在三项具有挑战性的计算机视觉任务中进行了验证。

    Jun, 2023

  • 设计优化和基于深度学习的反向设计的性能比较

    比较传统设计优化方法和基于深度学习的反向设计方法在各种场景下的性能，并提供指南以增强后者在实际工程设计问题中的实用性。

    Aug, 2023

  • 条件变分扩散模型

    逆问题研究中的生成模型，特别是扩散模型，对于确定参数具有重要作用。然而，扩散模型对方差调度的选择非常敏感，我们提出了一种新的方法，通过学习过程中训练方差调度，避免了费时的优化过程并得到更好的结果。

    Dec, 2023

  • 数据驱动的黑箱优化扩散模型

    基于扩散模型的条件采样方法，在黑盒优化中生成接近最佳解且保留设计的潜在结构，通过建立理论模型和进行实验验证，证明了奖励导向扩散模型在黑盒优化中的效率和准确性。

    Mar, 2024

  • 多条件扩散引导下的反向分子设计

    逆向分子设计的多条件扩散模型与转换器编码去噪模型相结合，成功实现了高性能材料和药物发现，并在聚合物和小分子生成任务中展示了优越的分布学习和条件控制表现。

    Jan, 2024

  • 多保真度模拟、机器学习和搜索空间缩减策略在高效反设计优化中的应用

    该研究介绍了一种方法，通过多精度评估、机器学习模型和优化算法的战略性协同，增强受有限计算资源约束的反向设计优化过程。该方法在两个不同的工程反向设计问题上进行了分析，通过在每个优化循环中利用训练有低精度模拟数据的机器学习模型，高效地预测目标变量并确定是否需要高精度模拟，从而显著节省了计算资源。此外，该机器学习模型在优化之前被战略性地使用以减小搜索空间，进一步加快了收敛到最优解的速度。该方法已被应用于增强差分进化和粒子群优化两种优化算法，对比分析表明两种算法的性能有所提升。值得注意的是，该方法适用于任何反向设计应用，实现了低精度机器学习模型和高精度模拟之间的和谐协同，并且可以无缝应用于任何种类的基于群体的优化算法。

    Dec, 2023

  • DDGM: 基于扩散去噪的梯度最小化求解反问题

    该论文提出了一种基于梯度下降与降噪相结合的噪声重建方法，可以高精度地重建电子显微学的层析成像问题，结果表明相对于传统方法和更复杂的扩散方法，该方法具有更高的精度和更快的计算速度。

    Jul, 2023

  • 物理相关扩散模型

    通过在模型训练过程中加入约束条件使其生成的样本更符合所施加的约束，从而提高生成样本与约束的一致性，且相较于现有方法有更好的性能且不影响推断速度；该方法还可以自然地防止过拟合。

    Mar, 2024