混合机器学习均匀化：贝叶斯数据挖掘与卷积神经网络
机器学习
2023-02-27 v1
摘要
除了普遍部署的用于微结构属性预测的特征外，本研究旨在通过开发新颖的特征描述符来改进机器学习预测。为此，进行贝叶斯融合的数据挖掘以获取包含当前特征集无法解释特征的样本，并提出了适合描述这些特征的相应特征描述符。特征描述符的迭代开发产生了 37 个新特征，能够将预测误差降低约三分之一。为了进一步改进预测模型，部署卷积神经网络（Conv Nets）以有监督机器学习方式生成辅助特征。该卷积神经网络能够胜过基于特征的方法。其关键在于新提出的数据增强方案以及所谓深度 inception 模块的开发。将基于特征的方法与卷积神经网络结合形成了混合神经网络：在单一模型中并行部署这两种神经网络原型，实现了低于 1% 的相对均方根误差，与先前基于相同数据运行的模型相比误差减少一半以上。发现该混合神经网络具有足够强的表达能力，可扩展至预测可变材料参数（从低到高相衬度），同时允许任意微结构几何形状。
引用
@article{arxiv.2302.12545,
title = {Hybrid machine-learned homogenization: Bayesian data mining and convolutional neural networks},
author = {Julian Lißner and Felix Fritzen},
journal= {arXiv preprint arXiv:2302.12545},
year = {2023}
}
备注
submitted to 'Computational Mechanics - Springer'