AutoTandemML: Active Learning Enhanced Tandem Neural Networks for Inverse Design Problems

要約

科学と工学の逆設計には、設計スペースの複雑さと高次元によって妨げられるプロセスである、望ましいパフォーマンス結果を達成する最適な設計パラメーターを決定し、大幅な計算コストにつながります。
この課題に取り組むために、アクティブな学習とタンデムニューラルネットワークを組み合わせた新しいハイブリッドアプローチを提案し、逆設計の問題を解決する効率と有効性を高めます。
アクティブな学習により、最も有益なデータポイントを選択的にサンプリングできるため、精度を損なうことなく必要なデータセットサイズを削減できます。
このアプローチを調査し、3つのベンチマークの問題を使用して、拡散部分微分方程式におけるエアフォイルの逆設計、フォトニック表面逆設計、およびスカラー境界条件の再構築を使用して調査します。
アクティブ学習とタンデムニューラルネットワークの統合は、ベンチマークスイート全体で標準的なアプローチを上回り、トレーニングサンプルが少ないとより良い精度を達成することを実証します。

要約(オリジナル)

Inverse design in science and engineering involves determining optimal design parameters that achieve desired performance outcomes, a process often hindered by the complexity and high dimensionality of design spaces, leading to significant computational costs. To tackle this challenge, we propose a novel hybrid approach that combines active learning with Tandem Neural Networks to enhance the efficiency and effectiveness of solving inverse design problems. Active learning allows to selectively sample the most informative data points, reducing the required dataset size without compromising accuracy. We investigate this approach using three benchmark problems: airfoil inverse design, photonic surface inverse design, and scalar boundary condition reconstruction in diffusion partial differential equations. We demonstrate that integrating active learning with Tandem Neural Networks outperforms standard approaches across the benchmark suite, achieving better accuracy with fewer training samples.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google