注意力神经过程与批量贝叶斯优化用于物理信息数字孪生的可扩展校准
机器学习
2021-06-30 v1 人工智能
最优化与控制
摘要
物理信息动力学系统模型构成了建成环境数字孪生的关键组成部分。这些数字孪生使得节能基础设施的设计成为可能，但必须被恰当校准以准确反映系统行为，从而支持下游预测与分析。现代建筑的动力学系统模型通常由大量参数描述，并在仿真过程中产生显著的计算开销。为在不付出过高仿真代价的情况下处理数字孪生的规模化校准，我们提出 ANP-BBO：一种可扩展且可并行的批量贝叶斯优化（BBO）方法，其利用了注意力神经过程（ANPs）。
引用
@article{arxiv.2106.15502,
title = {Attentive Neural Processes and Batch Bayesian Optimization for Scalable Calibration of Physics-Informed Digital Twins},
author = {Ankush Chakrabarty and Gordon Wichern and Christopher Laughman},
journal= {arXiv preprint arXiv:2106.15502},
year = {2021}
}
备注
12 pages, accepted to ICML 2021 Workshop on Tackling Climate Change with Machine Learning