基于协作神经网络的流式主动学习用于数据高效的部分逆向设计：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
主动学习以更少仿真样本实现高精度工程逆向设计，并公开大型汽车玻璃导槽数据集。
AI 摘要
工程中的逆向设计常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耗时又成本高昂。本研究针对部分逆向设计中的这一问题展开研究。在部分逆向设计中，仅指定部分设计变量，其余变量则需通过推断确定，以达到目标性能值。我们提出了 CoNN-AL，这是一种数据高效的部分逆向设计框架，将流式主动学习引入 Cooperative Neural Network with Denoising Autoencoder（CoNN-DAE）。该模型通过蒙特卡洛 dropout 估计预测不确定性，并据此实时判断哪些新到达的候选样本值得标注，从而将有限的标注预算用于信息量最大的设计。我们在一个包含超过 900,000 个不同仿真设计的真实汽车玻璃导槽数据集上验证了该框架。仅使用主动选择的 20,000 个带标签样本（约占训练样本池的 2.3%），CoNN-AL 在所有变量缺失程度下的决定系数（R²）均达到 0.967 至 0.982，接近使用多得多的数据训练的性能上限模型。在变量缺失程度较高、难度较大的情况下，与随机采样相比，它仅需少 30% 至 40% 的标签即可使 R² 达到至少 0.95；在最具挑战性的变量缺失程度下，它是本研究中唯一使 R² 达到 0.98 的策略。随本研究一同，我们公开发布该数据集，以支持未来的数据驱动设计研究。