无导数数值物理模型拟合的优化与有监督机器学习方法
核理论
2020-12-16 v2 最优化与控制
摘要
我们处理一个计算昂贵的核物理模型的标定问题，该模型关于拟合参数的导数信息不易获得。特别令人感兴趣的是，当可用训练数据为数十个而非数百万或更多，且模型的计算代价限制可同时进行的模型评估数量时，基于优化的训练算法的性能。作为一个案例研究，我们考虑 Fayans 能量密度泛函模型，其具有与核物理中许多模型拟合和标定问题相似的特征。我们分析了超参数调优的考量以及与随机优化算法相关的变异性，并阐明了在不同计算设置下调优的考量。
引用
@article{arxiv.2010.05668,
title = {Optimization and Supervised Machine Learning Methods for Fitting Numerical Physics Models without Derivatives},
author = {Raghu Bollapragada and Matt Menickelly and Witold Nazarewicz and Jared O'Neal and Paul-Gerhard Reinhard and Stefan M. Wild},
journal= {arXiv preprint arXiv:2010.05668},
year = {2020}
}
备注
25-page article, 9-page supplement, 1-page notice