组合式生成逆设计
原文中文，约400字，阅读约需1分钟。发表于：。通过优化扩散模型所捕获的学习能量函数，我们可以避免针对优化模型出现的对抗样本，从而显著提高设计性能，并且在多体相互作用和复杂气动式设计任务中，我们的方法通过在测试时组合学习到的扩散模型，超越了最先进的神经网络逆向设计方法的预测 MAE 平均值 14.3% 和设计目标 41.5%。
该研究介绍了一种通过多精度评估、机器学习模型和优化算法的协同方法，以增强受计算资源约束的反向设计优化过程。该方法通过利用低精度模拟数据的机器学习模型预测目标变量，节省了计算资源。此外，该方法还能减小搜索空间，加快收敛速度。该方法已应用于差分进化和粒子群优化两种算法，提升了性能。适用于任何反向设计应用，实现了低精度机器学习模型和高精度模拟的协同。
