基于流式主动学习和协作神经网络的数据高效部分逆向设计：汽车玻璃导槽案例研究
Stream-Based Active Learning with Cooperative Neural Networks for Data-Efficient Partial Inverse Design: An Automotive Glass Run Channel Case Study
精选理由
以主动学习减少昂贵仿真标注，用更少数据实现高精度汽车玻璃导槽逆向设计。
AI 摘要
arXiv:2610.09848v1 公告类型：new 摘要：工程领域的逆向设计通常面临一个简单的问题：每个带标签的训练样本都必须通过昂贵的仿真生成，因此构建大型数据集既缓慢又成本高昂。本研究针对部分逆向设计这一问题展开研究：在这种设计中，仅指定部分设计变量，其余变量则需要推断，以达到目标性能值。我们提出了 CoNN-AL，这是一种面向数据高效部分逆向设计的框架，在带去噪自动编码器的协作神经网络（CoNN-DAE）中引入了流式主动学习。该模型通过 Monte Carlo dropout 估计预测不确定性，并利用这一信息实时决定哪些输入候选样本值得进行标注，从而将有限的标注预算用于信息量最大的设计。我们在一个真实世界的汽车玻璃导槽数据集上验证了该框架，该数据集包含超过 900,000 个独特的仿真设计。仅使用 20,000 个主动选取的标签（约占训练池的 2.3%），CoNN-AL 在所有缺失变量水平下均取得了 0.967 至 0.982 的 R-squared，接近使用多得多的数据训练的上界模型。在难度较高的缺失变量水平下，与随机采样相比，CoNN-AL 少使用 30% 至 40% 的标签即可达到至少 0.95 的 R-squared；在最具挑战性的水平下，它是本研究中唯一达到 0.98 R-squared 的策略。与此同时，我们公开发布了该数据集，以支持未来的数据驱动设计研究。