面向一阶逆优化的深度生成先验
人工智能
2025-10-16 v2
摘要
逆向设计优化旨在根据观测到的解推断系统参数,在半导体制造、结构工程、材料科学以及流体力学等领域均构成关键挑战。许多系统缺乏显式的数学表示,这使该过程变得复杂,并使得一阶优化难以实现。主流方法(包括生成式人工智能与贝叶斯优化)虽能应对这些挑战,但均存在局限:生成式人工智能计算成本高昂;贝叶斯优化依赖代理模型,存在可扩展性差、对先验敏感以及噪声等问题,往往导致次优解。本文提出深度物理先验(DPP),这是一种利用代理机器学习模型实现基于一阶梯度的逆向优化的新方法。通过利用预训练的辅助神经算子,DPP 施加先验分布约束以确保解的稳健性与合理性。该方法在先验数据与观测分布未知的情况下尤为有效。
引用
@article{arxiv.2504.20278,
title = {Deep Generative Prior for First Order Inverse Optimization},
author = {Haoyu Yang and Kamyar Azizzadenesheli and Haoxing Ren},
journal= {arXiv preprint arXiv:2504.20278},
year = {2025}
}
备注
15 pages, 6 figures. Under Review