用于训练人工神经网络的通用多保真度框架

人工神经网络（ANNs）的训练依赖于训练数据的可用性。如果 ANNs 需要被训练以预测或控制复杂物理系统的行为，通常可用的真实世界训练数据不足，例如，因为实验或测量成本过高、耗时过长或危险。在这种情况下，通过现实的计算模拟生成训练数据是一种可行且往往是唯一有前景的替代方案。然而，这样做可能与显著甚至是难以承受的计算成本相关，这构成了将机器学习应用于复杂物理系统的一个严重瓶颈。为了克服这个问题，我们在本文中提出了一种系统且通用的方法。它使用廉价的低保真度计算模型来开始 ANN 的训练，并随着 ANN 训练的进展逐步切换到更高保真度的训练数据。我们通过结构和材料力学的示例展示了这一策略的好处。我们表明在这些示例中，与简单的强力训练 ANNs 相比，本文介绍的多保真度策略可以将总计算成本降低一半至一个数量级。因此，这种多保真度策略可以成为未来计算模拟与人工智能结合的强大而多用途的工具，特别是在结构和材料力学等领域。