PDE 深度代理模型的主动学习：在超表面设计中的应用
机器学习
2020-11-04 v1 应用物理
摘要
偏微分方程的代理模型被广泛用于超材料设计中，以快速评估可组合组件的行为。然而，通过机器学习训练精确代理模型的成本会随变量数量迅速增加。对于光子器件模型，我们发现当设计区域大于光波长时，这种训练变得尤其具有挑战性。我们提出了一种主动学习算法，与随机样本相比，它将光学表面组件神经网络代理模型的训练点数量减少了一个数量级以上。结果表明，代理模型评估比直接求解快两个数量级以上，并且我们展示了如何利用这一点来加速大规模工程优化。
引用
@article{arxiv.2008.12649,
title = {Active learning of deep surrogates for PDEs: Application to metasurface design},
author = {Raphaël Pestourie and Youssef Mroueh and Thanh V. Nguyen and Payel Das and Steven G. Johnson},
journal= {arXiv preprint arXiv:2008.12649},
year = {2020}
}
备注
submitted to npj