用于修正逆估计的物理学驱动基于机器学习的建模
机器学习
2023-10-31 v2 神经与进化计算
摘要
在科学与工程(SAE)领域部署机器学习估计器时，避免可能产生灾难性后果的失败估计至关重要，例如在航空发动机设计中。本工作聚焦于在 SAE 逆问题中采用机器学习估计之前，利用物理定律引导的模拟与性能指标来检测并修正失败的状态估计。我们建议在机器学习估计的物理模型误差超过可行阈值时将其标记，并提出一种新方法 GEESE，通过优化对其进行修正，旨在同时实现低误差与高效率。GEESE 的关键设计包括：(1) 混合代理误差模型，提供快速误差估计以降低模拟成本，并实现基于梯度的误差反馈反向传播；(2) 两个生成模型，用于逼近候选状态的概率分布以模拟利用与探索行为。这三个模型均构建为神经网络。GEESE 在三个真实世界 SAE 逆问题上进行了测试，并与若干最先进优化/搜索方法比较。结果表明，在寻找可行状态修正方面它失败次数最少，且总体上较少需要物理评估。
引用
@article{arxiv.2309.13985,
title = {Physics-Driven ML-Based Modelling for Correcting Inverse Estimation},
author = {Ruiyuan Kang and Tingting Mu and Panos Liatsis and Dimitrios C. Kyritsis},
journal= {arXiv preprint arXiv:2309.13985},
year = {2023}
}
备注
19 pages, the paper is accepted by Neurips 2023 as a spotlight