MelissaDL x Breed：面向多参数代理器的在线监督训练中的数据高效性
机器学习
2024-10-10 v1 人工智能
摘要
人工智能正在通过深度神经网络代理器 transforming 科学计算，这些代理器用于逼近偏微分方程（PDE）的解。传统的离线训练方法面临存储和 I/O 效率问题，因为训练数据集必须事先使用数值求解器计算。我们的前期工作框架 Melissa 通过实现数据“即时生成”并直接流式传输至训练进程，解决了这些问题。在本文中，我们引入了一种新的主动学习方法，以提高在线代理器训练的数据效率。该代理器是直接的且多参数的，即它被训练来直接预测给定时刻的解，并针对不同的初始和边界条件参数进行预测。我们的做法使用由训练损失统计信息引导的自适应多重重要抽样，以聚焦于参数空间中困难的区域。针对 2D 热传导 PDE 的初步结果表明，本方法（称为 Breed）有潜力在降低计算开销的同时提高代理器的泛化能力。
引用
@article{arxiv.2410.05860,
title = {MelissaDL x Breed: Towards Data-Efficient On-line Supervised Training of Multi-parametric Surrogates with Active Learning},
author = {Sofya Dymchenko and Abhishek Purandare and Bruno Raffin},
journal= {arXiv preprint arXiv:2410.05860},
year = {2024}
}