AutoKE：面向科学机器学习的自动知识嵌入框架
机器学习
2022-05-12 v1 计算与语言
数据分析、统计与概率
机器学习
摘要
将物理约束作为知识嵌入方法施加于神经网络，在求解由控制方程描述的物理问题上已取得重大进展。然而对于许多工程问题，控制方程常具复杂形式，含复杂偏导或随机物理场，从实现角度看造成显著不便。本文提出称为 AutoKE 的科学机器学习框架，并以储层流动问题为例证说明该框架可有效自动化物理知识嵌入过程。在 AutoKE 中，构建由深度神经网络 (DNNs) 组成的仿真器以预测目标物理变量。任意复杂方程可通过方程解析模块被解析并自动转为计算图，且仿真器对控制方程的拟合度经自动微分评估。此外，损失函数中固定权重被自适应权重替代，通过引入拉格朗日对偶法实现。神经架构搜索 (NAS) 亦被引入 AutoKE，以依具体问题选取仿真器最优网络架构。最后，我们应用迁移学习增强仿真器可扩展性。实验中，该框架经一系列物理问题验证，可自动将物理知识嵌入仿真器而无需繁重手写代码。结果表明仿真器不仅能准确预测，还可经迁移学习高效应用于相似问题。
引用
@article{arxiv.2205.05390,
title = {AutoKE: An automatic knowledge embedding framework for scientific machine learning},
author = {Mengge Du and Yuntian Chen and Dongxiao Zhang},
journal= {arXiv preprint arXiv:2205.05390},
year = {2022}
}