基于深度强化学习推导理论一致、基于微观结构的牵引-分离定律的元建模博弈
机器学习
2019-01-30 v1 计算物理
地球物理
机器学习
摘要
本文提出一种新的元建模框架，采用深度强化学习（DRL）生成界面的力学本构模型。本构模型被概念化为有向图中的信息流。编写本构模型的过程被简化为一系列构建图边的操作，目标是最大化模型得分（准确性、鲁棒性和前向预测质量的函数）。因此，元建模可表述为一个具有明确定义的状态、动作、规则、目标函数和奖励的马尔可夫决策过程。通过使用神经网络估计策略和价值状态，计算机智能体能够通过自我对弈高效自我改进其生成的本构模型，其方式类似于AlphaGo Zero（在围棋中击败世界冠军的算法）改进其玩法。我们的数值算例表明，该自动化元建模框架不仅生成的模型在基准牵引-分离数据上优于现有内聚模型，还能够检测微观结构特征间的隐藏机制并将其纳入本构模型以提高前向预测精度，这些任务人工难以完成。
引用
@article{arxiv.1810.10535,
title = {Meta-modeling game for deriving theoretical-consistent, micro-structural-based traction-separation laws via deep reinforcement learning},
author = {Kun Wang and WaiChing Sun},
journal= {arXiv preprint arXiv:1810.10535},
year = {2019}
}