t-METASET：通过主动学习定制大规模超材料数据集的属性偏置
计算工程、金融与科学
2024-03-06 v2 数据库
机器学习
摘要
受机器学习在多个领域近期成就的启发，数据驱动的超材料设计已成为一种引人注目的范式，可释放多尺度架构的潜力。然而，以模型为中心的研究趋势缺乏致力于数据获取的系统性框架，而数据质量会传递至下游任务。超材料数据集常通过在形状描述子空间中朴素的填充空间设计构建，其属性分布要么高度不平衡，要么与感兴趣的设计任务相悖。为此，我们提出 t-METASET：一种基于主动学习的数据获取框架，旨在引导多样且任务感知的数据生成。特别地，我们寻求解决数据驱动超材料设计早期阶段一个常见却常被忽视的情形：当已准备好一个海量（约 O(10^4)）仅含形状、未评估任何属性的库。核心思想是利用从生成模型学习到的数据驱动形状描述子，拟合一个稀疏回归器作为启动代理，并借助与多样性相关的度量来驱动数据获取至有助于设计者达成设计目标的区域。我们在三种部署案例中验证所提框架，涵盖通用使用、任务特定使用与可定制使用。两个大规模力学超材料数据集被用于证明有效性。适用于通用基于图像的设计表示，t-METASET 可推动数据驱动设计的未来进展。
引用
@article{arxiv.2202.10565,
title = {t-METASET: Tailoring Property Bias of Large-Scale Metamaterial Datasets through Active Learning},
author = {Doksoo Lee and Yu-Chin Chan and Wei Wayne Chen and Liwei Wang and Anton van Beek and Wei Chen},
journal= {arXiv preprint arXiv:2202.10565},
year = {2024}
}
备注
This preprint has been submitted as a manuscript to ASME Journal of Mechanical Design