- LICO: 大型模式语言用于上下文分子优化
通过为预先训练的语言模型添加嵌入层和预测层,我们引入了 LICO,一个扩展了任意基础 LLM 用于黑盒优化的通用模型,特别适用于分子领域。LICO 可以通过上下文提示轻松地推广到看不见的分子属性,并在包含超过 20 个客观函数的 PMO 挑 - SysCaps:复杂系统仿真代理的语言接口
用于仿真建模的学习框架中,使用语言作为接口与底层系统相互联系。我们称系统的语言描述为 “System Caption” 或 “SysCap”。通过使用大型语言模型 (LLMs) 来合成高质量的描述,我们解决了自然语言 SysCaps 与仿真 - 通过交换算法对贪心核模型进行微调
本研究致力于结合结点插入和结点去除方法,进一步提高核模型的准确性,而不增加最终核模型的计算复杂度。为此,我们引入了一种称为核交换算法(KEA)的方法,该算法可以用于微调贪婪核代理模型,实验结果显示,我们的方法可以将误差降低达 86.4%(平 - 物理学中回归问题的多准确度高斯过程代理建模
通过比较多种多保真度方法构建高斯过程代理进行回归,我们发现多保真度方法通常具有较小的预测误差,且对于相同计算成本而言,其效果因不同场景而异。
- 通过优先建模抽象属性的增强贝叶斯优化
我们提出了一种人工智能与人类专家协作的贝叶斯框架,将未测量的抽象属性的专家偏好引入代理模型,进一步提高贝叶斯优化的性能。实验结果表明,我们的方法在合成函数和真实数据集上优于基准方法。
- 基于深度运算网络的代理建模的新数据生成方案
在本研究中,我们提出了一种新颖的方法来减轻 DeepONets 训练数据生成的计算负担,通过使用高斯过程回归 (GPR) 来生成输出场,然后利用有限差分技术计算输入源场,从而显著减少了与 DeepONet 的训练数据集生成相关的计算成本。该 - 基于物理约束的多项式混沌展开用在科学机器学习和不确定性量化中
提出了一种新颖的物理约束多项式混沌扩展方法作为代理模型方法,能够同时进行科学机器学习和不确定性量化任务,有效地量化科学机器学习任务的不确定性,并利用科学机器学习改善不确定性评估。
- 基于微观结构的图神经网络用于加速多尺度模拟
利用并行多尺度模型比单尺度模拟可以更准确地模拟先进材料的力学响应,但是计算成本是该方法实际应用的障碍。本研究提出了一种备选的代理建模策略,允许保持问题的多尺度特性,并可与有限元求解器交替使用。通过使用图神经网络 (GNN) 预测完全场微观应 - 具有硬线性相等约束的基于物理知识的神经网络
提出了一种严格确保硬线性等式约束的物理信息神经网络模型 KKT-hPINN,通过从 KKT 条件得出的投影层,进一步提高了预测准确性。
- ICLR大型语言模型用于增强贝叶斯优化
LLAMBO 是一种将大型语言模型(LLM)与贝叶斯优化(BO)结合的方法,通过在自然语言中提出有前景的解决方案,利用上下文理解、少样本学习能力和 LLM 的领域知识来增强基于模型的 BO 的各个组件,特别是在稀疏的观测阶段,LLAMBO - 在主值几何格拉斯曼子流形上的多项式混沌展开用于代理建模与不确定性量化
基于流形学习的替代建模框架,用于高维随机系统的不确定性量化,并利用 Grassmann 流形上的主测地子流形识别潜在参数空间中的不同系统行为。
- PICL:基于物理信息的对比学习用于偏微分方程
利用对比预训练框架和广义对比损失实现神经算子在多个方程上的泛化,提高了傅里叶神经算子在固定未来任务中的准确性和泛化能力,同时在一维热、Burgers' 和线性对流方程的自回归展开和超分辨率任务中表现出相当的性能。
- 基于数据驱动的设计优化的二阶段代理建模及应用于复合微结构生成
提出了一种新颖的两阶段机器学习的代理建模框架,用于解决科学和工程领域中的反问题。该框架的独特贡献在于集成了符合推理,提供了一种多功能且高效的方法,可以广泛应用。通过进行基准测试和研究集中在纤维增强复合材料的微机械建模的工程应用,结果证实了我 - 在聚变燃烧等离子体中通过基于替代模型的核心输运求解器优化提升预测能力
本研究提出了 PORTALS 框架,利用代理建模和优化技术,在非线性陀螺动力学模拟中以显著降低的成本预测等离子体核心轮廓和性能,没有精度损失。通过与标准方法的基准测试,证明了 PORTALS 的高效性,并在使用 GPU 加速的非线性 CGY - 基于新颖概率传递学习策略的增强型多项式混沌展开代理建模
在代理建模领域,多项式混沌展开(PCE)可用于构建成本低廉且准确的代理模型,以替代昂贵的正向模型模拟。我们提出了一种利用迁移学习的策略,通过先前类似的代理建模任务(源域)获得的知识来辅助新的代理建模任务(目标域),从而解决昂贵的正向模型模拟 - 周围肺动脉狭窄治疗规划的概率神经双胞胎
通过数据驱动架构和优化技术,在数值血液动力学中,新的突破为快速代理模型提供了克服高保真度模型巨大计算成本的机会,支持实时概率治疗规划。
- 深度卷积编码器 - 解码器层次神经网络在共轭传热代理建模中的应用
该论文介绍了一种基于深度学习的代理建模方法,DeepEDH 方法,用于计算量大的共轭热传递模型,并通过建立计算模型和使用有限元法进行求解,对冷却板冷却的电池热管理系统中的压力、速度和温度场进行建模和预测,从而验证了 DeepEDH 方法的有 - MM跳跃不连续函数的替代活跃子空间
通过对不连续模拟器的分析,本研究将代理模型和主动子空间的方法扩展至社会科学领域,揭示了它们在处理不连续输出时的局限性,并通过在合成测试函数上进行数值实验,比较了连续和不连续函数上的高斯过程估计。最终,在模拟的中非和中东 8 个流离失所危机中 - 一种非层次性多保真度自适应采样的潜变量方法
多层次方法的自适应采样在增强替代建模和设计优化方面具有更高的效率,并且利用潜在嵌入和相关性分析来指导未来样本的选择,从而在全局拟合和贝叶斯优化中提供了更好的性能。
- 物理信息多项式混沌展开
提出了一种新的物理信息多项式混沌展开 (PCE) 建模方法,结合传统实验设计和模型的物理约束条件。该方法在提高近似精度的同时不增加显著的计算负担,并且能够通过简化后的 PCE 进行不确定性量化,将确定性空间时间变量的影响滤除。