物理先验不确定性赋能可靠的 AI 驱动设计
机器学习
2026-01-27 v1 计算物理
摘要
逆向设计是科学与工程领域的核心目标，包括对电信微电子技术至关重要的频率选择表面（FSS）和光学超材料。使用深度学习的传统代理辅助优化方法可以加速设计过程，但通常不包含不确定性量化，导致在数据稀疏区域因错误预测而使优化性能变差。在此，我们引入并验证了一种根本不同的物理先验不确定性范式，其中模型预测违反基本物理定律的程度可作为预测不确定性的计算廉价且有效的代理指标。通过将物理先验不确定性集成到多保真度不确定性感知优化工作流中，以设计 20 - 30 GHz 范围内的复杂频率选择表面，我们将找到高性能解的成功率从不到 10% 提高到 50% 以上，同时与仅使用高保真度求解器相比，将计算成本降低了一个数量级。这些结果突出了在高维问题的机器学习驱动逆向设计中纳入不确定性量化的必要性，并确立了物理先验不确定性作为量化物理系统代理模型中不确定性的可行替代方案，从而为能够高效且稳健地探索和评估候选设计的自主科学发现系统奠定了基础。
引用
@article{arxiv.2601.18638,
title = {Physics-Informed Uncertainty Enables Reliable AI-driven Design},
author = {Tingkai Xue and Chin Chun Ooi and Yang Jiang and Luu Trung Pham Duong and Pao-Hsiung Chiu and Weijiang Zhao and Nagarajan Raghavan and My Ha Dao},
journal= {arXiv preprint arXiv:2601.18638},
year = {2026}
}