可微分多保真度融合：基于神经架构搜索与迁移学习的物理仿真高效学习
机器学习
2023-06-13 v1 人工智能
摘要
随着深度学习的快速进展，神经网络已作为代理模型被广泛应用于科学研究与工程应用中。尽管神经网络在拟合复杂系统上取得巨大成功，两个主要挑战依然存在：i) 在不同问题/数据集上泛化能力的缺乏，以及 ii) 对大量计算昂贵的仿真数据的需求。为解决这些挑战，我们提出可微分多保真度融合（DMF）模型，其利用神经架构搜索（NAS）自动搜索适用于不同问题的模型架构，并利用迁移学习将所学知识从低保真度（快速但不精确）数据迁移至高保真度（缓慢但精确）模型。新颖且最新的机器学习技术，如超参数搜索与交替学习，被用于提升 DMF 的效率与鲁棒性。因此，DMF 仅需少量高保真度训练样本即可高效学习物理仿真，并基于多种合成与实际基准问题以显著优势（RMSE 最高提升 58%）超越最先进方法。
引用
@article{arxiv.2306.06904,
title = {Differentiable Multi-Fidelity Fusion: Efficient Learning of Physics Simulations with Neural Architecture Search and Transfer Learning},
author = {Yuwen Deng and Wang Kang and Wei W. Xing},
journal= {arXiv preprint arXiv:2306.06904},
year = {2023}
}