利用精确代理模拟器与有希望候选解增强逆问题求解
材料科学
2023-11-20 v2 介观与纳米尺度物理
机器学习
摘要
深度学习的逆技术近年来受到显著关注。其中，采用神经网络代理模拟器的神经伴随（neural adjoint, NA）方法在人工电磁材料（AEM）的设计任务中展现出令人印象深刻的性能。然而，代理模拟器精度对 NA 方法解的影响仍不确定。此外，当代理模拟器规模大且计算资源有限时，该方法中实现充分优化变得具有挑战性。另外，尽管从工程视角看十分重要，但约束下的行为尚未被研究。在本研究中，我们考察了代理模拟器精度对解的影响，发现代理模拟器越精确，解越好。随后我们开发了 NA 方法的扩展，称为神经拉格朗日（Neural Lagrangian, NeuLag）方法，能够高效优化足够数量的候选解。我们进而证明，即便因使用大型精确代理模拟器而难以处理充足候选解时，NeuLag 方法也能找到最优解。对于三项 AEM 任务，NeuLag 方法的重模拟误差约为先前方法的 1/50。最后，我们使用 NA 与 NeuLag 在约束下进行优化，并确认了它们在软约束或硬约束优化中的潜力。我们相信我们的方法在需要大型精确代理模拟器的领域具有潜力。
引用
@article{arxiv.2304.13860,
title = {Enhancing Inverse Problem Solutions with Accurate Surrogate Simulators and Promising Candidates},
author = {Akihiro Fujii and Hideki Tsunashima and Yoshihiro Fukuhara and Koji Shimizu and Satoshi Watanabe},
journal= {arXiv preprint arXiv:2304.13860},
year = {2023}
}
备注
20 pages, 8 figures