GUST：利用少量数据量化超材料自由形式几何不确定性
机器学习
2025-08-26 v2 计算工程、金融与科学
摘要
本文提出了 GUST（Generative Uncertainty learning via Self-supervised pretraining and Transfer learning），一种用于量化超材料制造中固有自由形式几何不确定性的框架。GUST 利用深度生成模型的表征能力，学习给定名义设计的实际制造单胞几何的高维条件分布，从而实现不确定性量化。为应对真实制造数据的稀缺，GUST 采用两阶段学习过程。首先，利用大规模合成数据集上的自监督预训练来捕捉超材料几何中固有的结构变异以及给定名义设计的实际制造几何的近似分布。随后，GUST 通过在有限的真实制造数据上微调预训练模型来采用迁移学习，使其能够适应特定的制造工艺和名义设计。仅通过两次增材制造 960 个单胞，GUST 即可捕捉几何和有效材料特性的变异。相比之下，直接在相同数量的真实数据上训练生成模型被证明是不足的，定性和定量比较均证实了这一点。这种可扩展且成本效益高的方法显著降低了数据需求，同时保持了学习复杂真实几何不确定性的有效性，为超材料制造中的自由形式几何不确定性量化提供了一种经济可行的方法。GUST 的能力对航空航天和生物医学工程等高精度行业具有重大前景，在这些行业中理解和缓解制造不确定性至关重要。
引用
@article{arxiv.2506.12051,
title = {GUST: Quantifying Free-Form Geometric Uncertainty of Metamaterials Using Small Data},
author = {Jiahui Zheng and Cole Jahnke and Wei "Wayne" Chen},
journal= {arXiv preprint arXiv:2506.12051},
year = {2025}
}