将多样物理先验与神经网络相融合
机器学习
2019-10-02 v1 机器学习
摘要
在物理系统背景下的机器学习值得重新审视学习策略。除数据外，人们可利用庞大的物理先验模型库（如运动学、流体流动等）来进行更鲁棒的推断。新兴子领域“基于物理的学习”（PBL）研究神经网络与物理先验的融合。尽管先前的 PBL 算法已成功应用于特定任务，但现有 PBL 方法难以推广至广泛的基于物理的问题。此类推广需要一种能适应物理正确性或训练数据质量变化的架构。目前尚无此类架构。本文旨在推广 PBL，首次尝试将神经架构搜索（NAS）引入 PBL 领域。我们提出一种称为基于物理的神经架构搜索（PhysicsNAS）的新方法，其在物理模型与数据集质量各异的多样范围内均为顶尖表现者。
引用
@article{arxiv.1910.00201,
title = {Blending Diverse Physical Priors with Neural Networks},
author = {Yunhao Ba and Guangyuan Zhao and Achuta Kadambi},
journal= {arXiv preprint arXiv:1910.00201},
year = {2019}
}