无人机声场物理融合机器学习模型中迁移映射的高效训练
计算工程、金融与科学
2022-01-19 v1
摘要
物理融合机器学习（PIML）架构旨在将机器学习与计算高效、低保真的（部分）物理模型相集成，从而相较于纯数据驱动近似模型，获得更好的泛化性、外推性以及对噪声的鲁棒性。同一作者近期报道了一种称为机会性物理挖掘迁移映射架构（OPTMA）的新PIML架构，其利用迁移神经网络将原始输入转换为潜在特征；部分物理模型随后使用这些潜在特征生成尽可能接近高保真输出的最终结果。尽管早前使用无梯度求解器和带监督学习的反向传播来训练OPTMA，但该方法计算效率低且难以推广到不同问题或流行的ML实现。本文旨在通过将部分物理模型嵌入神经网络中（如通过流行ML框架PyTorch中的张量所描述）来缓解这些问题。这种描述也自然允许对部分物理模型进行自动微分（AD），从而能够使用高效的反向传播方法来训练迁移网络。升级版带AD的OPTMA架构（OPTMA-Net）的益处通过将其应用于建模悬停无人 aerial vehicle（UAV）所产生的声压场问题得以展示。该问题的真值数据来自室内UAV噪声测量装置。此处，部分物理模型基于任意数量声学单极子源所产生的声压波的干涉。案例研究表明，OPTMA-Net提供的泛化性能接近纯数据驱动模型，而外推性能是其4倍。
引用
@article{arxiv.2201.06090,
title = {Efficient Training of Transfer Mapping in Physics-Infused Machine Learning Models of UAV Acoustic Field},
author = {Rayhaan Iqbal and Amir Behjat and Revant Adlakha and Jesse Callanan and Mostafa Nouh and Souma Chowdhury},
journal= {arXiv preprint arXiv:2201.06090},
year = {2022}
}
备注
This paper has been presented at the 2022 AIAA SciTech Forum and Exposition, and accepted for publication in the corresponding AIAA proceedings