Apr, 2024

Proteus：在图优化过程中保护模型的机密性

PDF
TL;DRProteus 是一种新机制，可以在保护模型架构的同时进行模型优化，通过将计算图分割为子图并将每个子图隐藏在生成的大量逼真子图池中，有效地隐藏模型，确保保密性并且不影响性能优化机会。
deep learning modelscomputational efficiencymodel optimizationconfidentialityperformance optimization
发现论文，激发创造
  • 一种新的深度隐藏物理模型泛化框架

    这项工作介绍了一种对隐藏物理模型的新型增强方法，可以泛化处理系统输入、参数和领域的变化，并展示了该方法在系统发现方面的潜力，可以帮助学习变化后的系统输入、参数和领域配置的隐藏物理。

    Jan, 2024

  • 用于三维形态建模与重建的深度优化先验

    该研究提出了一种新的 3D 建模和重建学习框架，通过连接基于学习和基于优化的方法的优点并优化学习的先验和潜在编码，提高了深度生成器的广义性。实验结果显示，该方法在处理高度稀疏或坍塌的观测数据方面比现有方法都有优势。

    Dec, 2020

  • 融合基于物理和深度学习模型的预测

    本研究提出一种利用深度学习算法和基于物理性能模型的信息相结合的方法，针对实际场景下复杂的关键安全系统进行预测，实验结果表明这种混合框架比仅依靠数据驱动方法能够将预测范围延长近 127％。

    Mar, 2020

  • 利用大规模在线学习训练深度代理模型

    该论文提出了一个开源在线培训框架，用于快速解决偏微分方程组，可以提高深度代理模型的数据多样性，对于 Fully connected neural networks、Fourier Neural Operator (FNO) 和 Message Passing PDE Solver 的预测准确度分别提高了 68％、16％和 7％。

    Jun, 2023

  • 无需标记数据的高维代理建模和不确定性量化的物理约束深度学习

    提出一种基于物理约束深度学习的建模和不确定性量化方法，避免深度学习在小样本问题上的跨度不足，可以用于偏微分方程系统的解决和预测推断，并提供一些解释和量化手段。

    Jan, 2019

  • 基于深度学习的参数化偏微分方程代理模型：通过图神经网络处理几何变化

    基于图神经网络的代理模型在模拟时变偏微分方程方面具有计算效率和泛化能力，并有效替代传统的复杂求解器。

    Aug, 2023

  • DEBOSH：深度贝叶斯形状优化

    本论文证明了使用基于 Ensembles 的技术来评估 Graph Neural Networks 生成的预测的不确定性可以帮助超越传统的基于 Kriging 得到响应面的技术，并在各种气动和结构分析任务中提供更高质量的优化结果和更短的优化时间。

    Sep, 2021

  • 基于贝叶斯网格优化的图神经网络用于增强工程性能预测

    提出用于 3D 深度学习辅助建模的贝叶斯图神经网络框架，通过直接从 CAD 中学习几何特征进行工程性能预测，通过贝叶斯优化确定网格元素的最佳大小，实现高准确性的辅助模型。

    Jun, 2024

  • 数据范围确定：高效学习通用传输偏微分方程的演化

    该论文提出了一种分布式数据范围方法，通过严格限制信息范围来预测局部属性，从而解决了深度学习架构在传输现象模拟中的不兼容问题，实验证明该方法显著加速了训练收敛并提高了大规模工程模拟的模型泛化能力。

    May, 2024

  • 学习增强可扩展代理以用于网格物理学的科学计算算法

    本文讲解了如何通过域分解方案将 MeshGraphNets（MGN）应用于具有百万节点的 3D 网格，进而生成计算流体力学（CFD）模拟结果，并通过高阶数值积分技术提高 MGN 的准确性和训练时间，为其在实际应用中的大规模使用提供了有效的路径。

    Apr, 2023