用于数据驱动降阶建模的神经网络架构比较
机器学习
2022-03-14 v3 数值分析
数值分析
摘要
深度卷积自编码器（CAE）的流行催生了用于大规模动力系统仿真的新颖且有效的降阶模型（ROM）。尽管如此，深度CAE是否在所有建模场景中均优于成熟的线性技术或其他基于网络的方法仍属未知。为阐明这一点，我们通过将深度CAE与两种替代方案——简单的全连接自编码器和一种新颖的图卷积自编码器——进行比较，研究自编码器架构对其关联ROM的影响。通过基准实验表明，给定ROM应用的最优自编码器架构高度依赖于潜空间的大小与快照数据的结构，所提架构在潜空间足够大时对具有不规则连通性的数据展现出优势。
引用
@article{arxiv.2110.03442,
title = {A Comparison of Neural Network Architectures for Data-Driven Reduced-Order Modeling},
author = {Anthony Gruber and Max Gunzburger and Lili Ju and Zhu Wang},
journal= {arXiv preprint arXiv:2110.03442},
year = {2022}
}