基于自监督特征蒸馏与实验设计，用于高效训练微观机械深度学习替代模型
计算工程、金融与科学
2024-05-17 v1 材料科学
摘要
在工程设计和优化任务中，机器学习 surrogate 模型用于快速模拟计算成本高昂的基于物理的模型。在微观机械问题中，人们希望获得微观结构尺度上的局部全场响应变量。虽然已有大量工作致力于建立此类任务的体系结构，但关于微观结构实验设计策略的工作相对较少。本文演示了通过对微观结构体积单元进行智能选择，可建立更准确的 surrogate 模型。建立合适框架面临两个关键挑战：(1) 微观结构特征量化，(2) 建立鼓励构建多样化训练数据集的准则。本文采用三种特征提取策略和三种设计准则。建立了一种用于自动自监督提取微观结构概括统计信息的对比特征提取方法。结果表明，对于所考虑的问题，采用本文提出的设计和训练策略可实现最高可达 8% 的 surrogate 性能提升。趋势表明，这种方法在向更大规模问题扩展时可能发挥更大作用。这些结果表明，选择高效实验设计是建立基于机器学习的 surrogate 模型时的重要考虑因素。
引用
@article{arxiv.2405.10135,
title = {Self-supervised feature distillation and design of experiments for efficient training of micromechanical deep learning surrogates},
author = {Patxi Fernandez-Zelaia and Jason Mayeur and Jiahao Cheng and Yousub Lee and Kevin Knipe and Kai Kadau},
journal= {arXiv preprint arXiv:2405.10135},
year = {2024}
}