研究人员提出了一种基于深度神经网络的使用主动迁移学习和数据增强的正向设计空间探索方法
一项新的研究提出了一种深度神经网络-based正向设计方法，能够有效地搜索远远超出初始训练集范围的优质材料。该方法通过逐步更新来弥补神经网络在未知领域的预测能力不足
采用主动迁移学习和数据增强方法的神经网络。柳承华教授认为，这项研究将有助于解决各种各样的优化问题，有一个天文
可能的设计配置的数目。对于网格组合优化问题，提出f
框架能够提供接近全局最优的优秀设计，即使添加了一个非常小的相应数据集
Nding要小于初始训练数据集大小的0.5%。这项研究发表在npj computing atio上
上个月的材料。机械工学系的柳贤振教授表示:“这是为了克服神经网络在材料或结构设计方面超出训练集领域的预测能力较弱的局限性。”神经network-based生成模型作为一种在广阔的设计空间中寻找新颖材料的反求设计方法已经被积极地研究。然而，公司的适用性
传统的生成模型受到限制，因为它们不能访问训练集范围之外的数据。为克服这一限制而设计的高级生成模型在未知领域的预测能力也很弱。柳教授组与美国加州大学伯克利分校(UC Berkeley)格蕾丝•古教授组的研究团队合作，开发出了利用深度神经网络的强大预测能力扩大领域，并通过重复执行3个关键步骤寻找最佳设计的设计方法。首先，它通过在训练集内混合高级设计，通过遗传算法搜索少数具有改进属性的候选对象，这些候选对象位于训练集附近。然后，它检查候选者是否真的有改进的属性，并通过数据增强方法复制验证的设计来扩展训练集。最后，通过迁移学习更新神经网络，扩展可靠预测领域。由于扩展过程沿着相对狭窄但正确的路径进行(如图1所示)，f
框架可以实现高效的搜索。深度神经网络模型是一种数据匮乏的方法，具有可靠的预测能力
只有在训练集的范围内和附近。当最优co
材料和结构的配置远远超出了初始训练集，这是经常发生的情况，神经网络based设计方法预测能力弱，效率低下。研究人员期望f
该框架将适用于其他科学和工程学科与天文的广泛的优化问题
从理论上讲，它是一个很大的设计空间，因为它提供了一种有效的方法，可以逐步向目标设计扩展可靠的预测领域，同时避免陷入局部最小值的风险。特别是，作为一种不需要太多数据的方法，数据生成时间有限的设计问题
Nsuming和昂贵将从这个新f中受益最大
ramework。研究小组目前正在应用优化f
我的设计任务的框架
材料结构，分段热电发生器，和最佳传感器分布。“从这些正在进行的研究中，我们希望能更好地认识到这一算法的利弊，以及它的潜力。最终，我们想要设计出更高效的机器学习工具
柳教授解释说
金龙泰、杨英洙、查尔斯•杨、朴昆道、Grace X. Gu、seunhwa Ryu，“深度学习f
使用主动迁移学习和数据扩展的材料设计空间探索框架，”npj计算
部分材料(https://doi.org/10.1038/s41524 - 021 - 00609 - 2)
