Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Data efficient surrogate modeling for engineering design: Ensemble-free batch mode deep active learning for regression

Created by
  • Haebom
Category
Empty

저자

Sarthak Kapoor, Harsh Vardhan, Umesh Timalsina, Sumit Kumar, Peter Volgyesi, Janos Sztipanovits

개요

계산 유체 역학(CFD) 및 유한 요소 분석(FEA)과 같은 고충실도 설계 평가 프로세스는 엔지니어링 설계 최적화의 계산 비용을 줄이기 위해 데이터 기반 대리 모델로 대체되는 경우가 많습니다. 그러나 정확한 대리 모델을 구축하려면 여전히 많은 수의 비용이 많이 드는 시뮬레이션이 필요합니다. 이 문제를 해결하기 위해, 딥 뉴럴 네트워크를 효율적으로 훈련하기 위해 학생-교사 프레임워크를 활용하는 확장 가능한 능동 학습 전략인 엡실론 HQS를 소개합니다. DNN에서 계산 비용이 많이 드는 베이지안 AL 방법과 달리, 엡실론 HQS는 정보 샘플을 선택적으로 쿼리하여 레이블링 비용을 줄입니다. CFD, FEA 및 프로펠러 설계 작업에 적용하여, 고정된 레이블링 비용 예산에서 더 높은 정확도를 달성합니다.

시사점, 한계점

•
시사점:
◦
계산 비용을 절감하기 위한 효과적인 능동 학습 전략 제시.
◦
학생-교사 프레임워크를 활용하여 딥 뉴럴 네트워크를 효율적으로 훈련.
◦
베이지안 능동 학습 방법보다 계산 효율성이 높음.
◦
CFD, FEA 및 프로펠러 설계 task에서 높은 정확도 달성.
•
한계점:
◦
논문에서 구체적인 한계점에 대한 언급 없음. (일반적으로 능동 학습 방법은 초기 학습 단계에서 많은 데이터를 필요로 할 수 있음.)
👍
Made with Slashpage