基于知识引导的高维设计优化稀疏数据生成式代理模型
机器学习
2026-03-03 v1 人工智能
摘要
代理模型在机械设计和制造过程优化中广泛应用，但在高保真计算模型不可用或成本�贵的情况下效果受限，往往受数据稀缺限制。现有方法难以系统性地将领域专家（SME）拥有的关于功能关系的宝贵知识与有限数据相结合。我们提出了 RBF-Gen 框架，通过构建具有更多于训练样本数的径向基函数（RBF）空间，并引入生成器网络的零空间来保留最大信息，实现稀缺数据与领域知识的结合。引入的隐变量为在训练期间编码结构关系和分布性先验提供原则机制，从而引导代理模型趋向物理上有意义的解。数值实验表明，在稀疏数据情境下，RBF-Gen 在 1D 和 2D 结构优化问题上显著优于标准 RBF 代理模型，并在真实世界的半导体制造数据集上实现卓越的预测精度。这些结果凸显了将有限实验数据与领域专长结合，以在机械和过程设计问题中实现准确且实用的代理建模潜力。
引用
@article{arxiv.2603.00052,
title = {Knowledge-guided generative surrogate modeling for high-dimensional design optimization under scarce data},
author = {Bingran Wang and Seongha Jeong and Sebastiaan P. C. van Schie and Dongyeon Han and Jaeho Min and John T. Hwang},
journal= {arXiv preprint arXiv:2603.00052},
year = {2026}
}