用于钻孔电阻率测量的自动化机器学习
机器学习
2023-07-05 v1 人工智能
摘要
深度神经网络（DNNs）为钻孔电阻率测量的反演提供了实时解决方案，以逼近正演与反演算子。可使用极大的 DNNs 来逼近这些算子，但这需要可观的训练时间。此外，训练后评估网络也需要大量内存与计算能力。并且，我们可能会过拟合模型。本工作中，我们提出一种评分函数，该函数考量 DNNs 相对于能为算子提供良好逼近的参考 DNN 的精度与规模。利用该评分函数，我们采用 DNN 架构搜索算法获得小于参考网络的准最优 DNN；因此，其在训练与评估中所需计算量更少。该准最优 DNN 给出了与原始大型 DNN 相当的精度。
引用
@article{arxiv.2207.09849,
title = {Automated machine learning for borehole resistivity measurements},
author = {M. Shahriari and D. Pardo and S. Kargaran and T. Teijeiro},
journal= {arXiv preprint arXiv:2207.09849},
year = {2023}
}