Jul, 2024

科学模拟智能学习的主动学习可行性研究

HTML
PDF
TL;DR通过将主动学习策略用于深度神经网络(DNN)代理训练，可以智能地和客观地选择训练模拟，减少生成大量模拟数据的需求，并降低DNN代理性能对预定义训练模拟的依赖，为高性能科学模拟的有效性奠定了基础。
发现论文，激发创造
  • Deep UQ: 学习深度神经网络代理模型用于高维不确定性量化

    本文探讨了运用深度神经网络构建模拟器代理模型的方法，以解决原模拟器参数过多导致的维数灾难，研究对象为随机椭圆偏微分方程中涉及的扩散系数。

    Feb, 2018

  • 物理信息神经网络在流体动力学代理建模中的改进

    通过引入基于物理的规则，将PINNs模型用于流体动力学的代理模型，证明了其在数据缺失，边界条件不明确以及复杂的工程系统逆向问题等方面的效果。并介绍了该建模方法的其他优点，包括提高模型的预测性能，提高对数据噪声的稳健性，并减少对于先前未见场景的优化收敛所需的时间。

    May, 2021

  • GNN-Surrogate: 用于探索非结构化网格海洋模拟参数空间的分层自适应图神经网络

    我们提出了基于图神经网络的代理模型 GNN-Surrogate 来探索海洋气候模拟的参数空间，其可以准确高效地预测模拟结果并帮助科学家通过用户指定的可视化映射探索模拟参数空间。

    Feb, 2022

  • 面向工程设计的数据高效代理建模：基于批量模式的深度主动学习回归，无需集成

    提出了一种简单且可扩展的主动学习方法，以在学生-教师方式下训练替代模型，以取代使用贝叶斯框架对基于深度神经网络（DNN）的替代模型进行复杂的训练过程，从而利用深度学习的优秀能力来减少计算复杂度，在实践中验证了该方法具有可行性并可用于多个工程设计领域。

    Nov, 2022

  • 多分辨率物理模拟的可控适应学习

    提出了一种全深度学习的代理建模方法，名为LAMP，基于图神经网络进行前向建模和空间精度升级策略的学习。该方法通过加权误差和计算成本的目标函数进行优化，从而可以在推断时自适应地处于误差和计算成本的平衡点，实现了在多分辨率动态系统中的性能提升，并在非线性偏微分方程和网格模拟方面取得了优越的结果。

    May, 2023

  • 基于主动学习的代理建模技术用于高效模拟参数非线性系统

    本研究提出了一种非侵入式优化准则，以有效地构建参数化代理模型，利用基于核的浅层神经网络的主成分分析子空间和主动学习方法构建了 ActLearn-POD-KSNN 代理模型，该模型可以有效地预测新参数位置处的求解，即使在有多个相互作用的激波轮廓的情况下。

    Jun, 2023

  • 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

  • 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

  • 基于完全贝叶斯神经网络的不连续和非稳态数据的主动学习

    主题：主动学习、概率替代模型、高斯过程、不连续性、完全贝叶斯神经网络；摘要：评估了完全贝叶斯神经网络在小数据条件下使用无 U-Turn 采样器进行主动学习任务的适用性和性能，突显了其增加物理科学问题相关测试函数的预测准确性和可靠性的潜力。

    May, 2024

  • SurroFlow：基于流的替代模型用于参数空间探索和不确定性量化

    我们介绍了一种新颖的基于正常流的代理模型SurroFlow，用于学习仿真参数和仿真输出之间的可逆转换，不仅能够准确预测给定仿真参数下的仿真结果，还支持在数据生成过程中的不确定性量化和有效的参数推荐和探索。我们将SurroFlow与遗传算法集成在一个可视化界面的后端，以支持有效的用户引导的集合仿真探索和可视化，显著降低了科学代理模型的计算成本，同时提高了其可靠性和探索能力。

    Jul, 2024