基于数据驱动的设计优化的二阶段代理建模及应用于复合微结构生成
内容提要
该文综述了数据驱动代理模型在工程优化中的多种方法,包括以决策为中心学习简化凸模型以最小化决策预测误差、结合多精度评估与机器学习加速反向设计、自动生成物理系统代理模型以平衡成本与精度、比较六种机器学习方法在材料科学中的准确性与稳健性、用主动学习以师生方式训练深度网络代理,以及通过渐进降阶建模迁移知识以缓解数据稀缺。
延伸解读
决策中心代理建模:以决策误差为优化目标
文章提出以决策为中心学习简化凸模型,训练目标是最小化原始与替代模型最优解之间的差异,而非传统的数据拟合误差。该方法被建模为双层规划问题,并采用分解算法求解。在化学反应器等数值实验中,它比标准数据驱动代理建模具有更高的数据效率,能产生更简单的替代模型且决策预测更准确。
多精度协同加速反向设计
针对计算资源有限的反向设计,文章介绍了一种协同多精度评估、机器学习与优化算法的方法。在每个优化循环中,用低精度模拟数据训练的机器学习模型预测目标变量,并判断是否需要高精度模拟,从而节省计算资源;该模型还在优化前用于缩小搜索空间。该方法已增强差分进化和粒子群优化,且可无缝应用于任何群体优化算法。
自动生成代理模型以平衡成本与精度
文章提出一个框架,自动为物理系统开发代理模型系列,以协助在模拟成本与精度之间取得平衡。该框架从第一性原理生成高保真模型,并应用自下而上的模型降阶,以及利用实验或模拟数据拟合人工本构关系来生成代理模型。这为需要反复模拟的工程场景提供了系统化的建模路径。
数据稀缺下的渐进降阶建模
为缓解数据稀缺问题,文章提出渐进降阶建模框架,通过选择性地从先前训练模型中迁移有价值的知识,创建高准确性的代理模型。该方法减少了数据需求并提高了数据驱动模型的实际性,从而解锁了数据驱动建模在实际工程应用中的潜力。
Q&A
什么是以决策为中心的代理建模?它和标准的数据驱动代理建模有什么区别?
以决策为中心的代理建模旨在学习一个更简单的优化模型(如凸优化模型),训练目标是最小化决策预测误差,即原始优化模型与替代优化模型最优解之间的差异。与标准数据驱动代理建模相比,该方法能产生更简单的替代模型,且预测决策的准确性更高,具有显著的数据效率。
如何利用多精度评估和机器学习来加速反向设计优化?
该方法通过在每个优化循环中利用训练有低精度模拟数据的机器学习模型,高效预测目标变量并判断是否需要高精度模拟,从而节省计算资源。同时,在优化前使用该模型减小搜索空间,进一步加快收敛。该方法已应用于差分进化和粒子群优化算法,性能均有提升,且适用于任何基于群体的优化算法。
如何自动生成物理系统的代理模型以平衡模拟成本与精度?
该框架从一级原理生成高保真模型,并应用自下而上的模型降阶,以及利用实验或模拟数据拟合人工本构关系来生成代理模型,从而在模拟时间和精度之间取得平衡。
在材料科学中应用六种机器学习技术时,哪些因素影响其准确性和稳健性?
研究通过两个不同数据集分析了六种机器学习技术的准确性和稳健性,阐明了性能差异的原因,并考察了包含领域知识的影响,以及基于训练数据可用性和质量的一般建议。
如何用主动学习以师生方式训练深度神经网络代理模型?
提出一种简单且可扩展的主动学习方法,以学生-教师方式训练替代模型,取代使用贝叶斯框架对基于深度神经网络的替代模型进行复杂训练的过程,从而利用深度学习的优秀能力减少计算复杂度,并已在多个工程设计领域验证可行性。
渐进降阶建模如何缓解数据稀缺问题并提高代理模型准确性?
渐进降阶建模框架通过选择性地从之前的训练模型中转移有价值的知识,创建一个具有高准确性的代理模型,从而减少数据需求并提高数据驱动模型的实际性,缓解数据稀缺问题,解锁数据驱动建模在实际工程应用中的潜力。