通过理论驱动机器学习一次性生成近最优拓扑
机器学习
2018-12-31 v3 机器学习
摘要
我们引入一种理论驱动机制，用于学习一个在给定问题设定下以一次性方式执行生成式拓扑设计的神经网络模型，从而规避计算设计任务通常所需的传统迭代过程。所提机制可造就基于过往设计生成经验积累的知识、对新设计要求快速响应的机器。通过监督学习实现此类机制将需要数量不切实际的大量问题-解配对用于训练，这源于深度神经网络在知识泛化上的已知局限。为此，我们引入学生（神经网络）与教师（拓扑优化底层最优性条件）之间的交互：学生从已有数据学习，并在未见问题上受测。学生解偏离最优性条件的程度被量化，并用于选取新的学习数据点。我们称此学习机制为“理论驱动”，因其显式利用领域特定理论引导学习，从而区别于纯数据驱动的监督学习。我们通过柔度最小化问题表明，所提学习机制带来的拓扑生成具有近最优结构柔度，在相同计算预算下较标准监督学习有大幅改善。
引用
@article{arxiv.1807.10787,
title = {One-Shot Generation of Near-Optimal Topology through Theory-Driven Machine Learning},
author = {Ruijin Cang and Hope Yao and Yi Ren},
journal= {arXiv preprint arXiv:1807.10787},
year = {2018}
}
备注
accepted to Computer-Aided Design