大型神经网络替代模型的域分解方法
Timm G?dde
Eisso Hendrik Atzema
Bojana Rosi?
《Mathematical and Computational Applications》:Domain Decomposition of Large Neural Network Surrogate Models
Timm G?dde,
Eisso Hendrik Atzema and
Bojana Rosi?
【字体:
大
中
小
】
时间:2026年05月05日
来源:Mathematical and Computational Applications 2.1
编辑推荐:
摘要
数据驱动的神经网络(NN)在工程领域的多个学科中受到了广泛关注,特别是在设计优化和实验环境中。在这些场景中,神经网络被广泛用于构建高维回归问题的替代模型。尽管神经网络作为全局近似器具有很强的能力,但它们往往难以在没
摘要
数据驱动的神经网络(NN)在工程领域的多个学科中受到了广泛关注,特别是在设计优化和实验环境中。在这些场景中,神经网络被广泛用于构建高维回归问题的替代模型。尽管神经网络作为全局近似器具有很强的能力,但它们往往难以在没有大量可训练参数和训练数据的情况下准确捕获局部特征,从而导致训练时间增加。为了解决这些限制,本文提出了域分解方法(Domain Decomposition Methods,简称DDMs)。这些方法将输入特征空间划分为多个局部子域,每个子域都由一个更简单的神经网络模型进行并行训练。在局部损失函数中引入了界面约束,以确保子域之间的连续性。实现这些约束采用了两种不同的方法:一种是利用拉格朗日乘数(Lagrange multipliers),另一种是增强型拉格朗日乘数方法(augmented Lagrange multiplier methods)。与无约束的近似方法相比,这两种方法显著提高了子域界面之间的连续性。对于二维和三维问题,我们研究了在不同子域数量下的计算时间和精度,以确定最佳的分区策略。与标准的全局神经网络训练相比,使用DDMs可以在参数数量较少的局部区域提高近似精度。在收敛性方面,增强型拉格朗日方法的收敛速度更快,因为其收敛要求更低,尽管准确度略有下降。总体而言,这些结果表明增强型拉格朗日方法是训练高效且可扩展的神经网络替代模型的一种有前景的方法。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号