ترکیب فیزیک و یادگیری عمیق

منتشر‌شده در: towardsdatascience به تاریخ ۲۸ سپتامبر ۲۰۲۱
لینک منبع Combining Physics and Deep Learning

با افزایش توان محاسباتی در طول ۱۰ سال گذشته، شاهد افزایش شدید در تعداد شبیه‌سازی‌ها بوده‌ایم. دوقلوهای دیجیتالی یکی از این نمونه‌ها هستند. آن‌ها کپی‌های مجازی از یک شی یا فرآیند فیزیکی هستند که می‌توانند در سناریوهای مختلف شبیه‌سازی شوند.

یکی از مشکلات دوقلوهای دیجیتالی این است که چگونه می‌توانند داده‌های تجربی پر سر و صدا را با فیزیک ترکیب کنند.

در سال ۲۰۲۱، محققان در دانشگاه شفیلد یک چارچوب زوج دیجیتالی بسیار ساده به نام HersiNet را برای حل این مشکل توسعه دادند. PhysiNet یادگیری عمیق را با مدل‌های فیزیک ترکیب می‌کند تا پیش‌بینی‌های قوی از عملکرد دستگاه ایجاد کند.

در حالی که دوقلوهای دیجیتالی به منابع توسعه قابل توجهی نیاز دارند، می‌توانند جایگزین‌های موثری در مواردی باشند که آزمایشات فیزیکی بسیار گران یا خطرناک هستند.

بدون هیچ‌گونه توضیح بیشتر، بیایید وارد بحث شویم…

تعریف فنی TLDR

زوج‌های دیجیتالی کپی‌های الکترونیکی سیستم‌های فیزیکی هستند. آن‌ها بر مدل‌های جعبه سیاه و مدل‌های مبتنی بر قوانین (فیزیک، اقتصاد، و غیره) تکیه می‌کنند. با این حال، از آنجا که هر دو روش ممکن است کاستی‌هایی داشته باشند، ما ترکیبی از این دو را از طریق یک ترکیب خطی وزنی از مقادیر پیش‌بینی شده هر مدل پیشنهاد می‌کنیم.

هنگامی که به طور مکرر مدل جعبه سیاه را آموزش می‌دهیم، در هر دوره ما وزن پیش‌بینی‌های هر دو مدل را برای بهینه‌سازی دقت جبران می‌کنیم. این ترکیب خطی از پیش‌بینی‌کننده‌ها به طور موثر هر دو مدل را ترکیب کرده و دقت را بهینه می‌کند.

اما در واقع چه خبر است؟

بیایید پیش‌زمینه‌ای در مورد دوقلوهای دیجیتال ارائه دهیم و روش‌های مقاله را مورد بحث قرار دهیم.

پیشینه دوقلوهای دیجیتال

همانطور که در بالا گفته شد، زوج‌های دیجیتالی یا دوقلوهای دیجیتالی یک کپی دیجیتالی از یک چیز فیزیکی هستند، برای مثال یک توربین بادی یا یک زنجیره تامین. آن‌ها اغلب مدل‌های سه‌بعدی برای محصولات مبتنی بر فیزیک هستند، اما می‌توانند بسیار ساده‌تر باشند.

آن‌ها برای اولین بار در سال ۲۰۱۰ توسط ناسا برای کمک به توسعه سفینه‌های فضایی مورد استفاده قرار گرفتند اما در کاربردهایی که آزمایش نمونه‌های اولیه فیزیکی دشوار و یا گران است محبوبیت به دست آوردند. منطقی‌ترین مورد استفاده آن‌ها در طول ایده‌پردازی و توسعه محصول است، اما آن‌ها همچنین می‌توانند در کنار محصولات تولید شده برای به دست آوردن بینش و پیش‌بینی شکست‌ها نیز استفاده شوند.

صنایعی که زوج‌های دیجیتالی را به کار می‌برند، از مدیریت چرخه عمر محصول گرفته تا بهینه‌سازی گرمایش / سرمایش ساختمان تا سنسورهای اتومبیل، دامنه دارند.

مشکل

اکثر زوج‌های دیجیتالی به شدت به قوانین یا داده‌های تجربی وابسته هستند. با این حال، اغلب قوی‌ترین مدل‌ها هم قوانین پیشین و هم داده‌های تجربی را ترکیب می‌کنند. راه‌های مختلفی برای انجام این کار وجود دارد، اما physiNet مسلما ساده‌ترین راه‌حل را پیشنهاد می‌دهد.

راه‌حل

فیزی‌نت پیش‌بینی‌های شبکه عصبی (NN) را با پیش‌بینی‌های مدل فیزیک ترکیب می‌کند. شبکه عصبی داده‌های تجربی را مدیریت می‌کند در حالی که قوانین فیزیک سیستم را به واقعیت متصل می‌کند - زیرا داده‌های دنیای واقعی می‌توانند شلوغ باشند، مدل‌های فیزیک اغلب بسیار مفید هستند.

بیایید به شکل ۲ در زیر مراجعه کنیم …

اول، ما مدل فیزیکی خود (بالا) را برازش می‌دهیم، که اغلب یک ترکیب خطی از متغیرها است. از آنجا که این مدل‌ها به ندرت نیاز به آموزش دارند، ما با یک پیش‌بینی ثابت روبرو می‌شویم.

دوم، ما یک شبکه عصبی (پایین) را تنظیم می‌کنیم. شبکه‌های عصبی از انتشار به عقب در چندین دوره برای آموزش وزن خود استفاده می‌کنند. برای هر دوره‌ای، علاوه بر به‌ روز رسانی بردارهای وزن در شبکه، یک پیش‌بینی نیز ایجاد می‌کنیم که ترکیبی از پیش‌بینی فیزیک و NN است (در کادر سبز نشان داده شده است).

هر دو وزن، که با w نشان داده می‌شوند، به ۱ اضافه می‌شوند. بنابراین، اگر وزن فیزیکی برابر 0 باشد، ما فقط از پیش‌بینی NN استفاده می‌کنیم و برعکس. بسته به کیفیت فیزیک و داده‌های تجربی، این چارچوب به طور خودکار مقادیر پیش‌بینی‌شده ما را برای بهینه‌سازی دقت به‌روزرسانی می‌کند.

همانطور که در شکل 2 در بالا نشان داده شده است، این چارچوب فوق‌العاده ساده دارای بهبود عملکرد نسبت به هر دو مدل است. مدل‌های فیزیکی تمایل دارند که بیش از حد ساده شوند و شبکه‌های عصبی نیاز به داده‌های با کیفیت بالا دارند، بنابراین با ترکیب هر دو مدل می‌توانیم از هر دو نقص جلوگیری کنیم.

خلاصه

زوج‌های دیجیتالی جایگزین‌های کارآمدی برای آزمون‌های فیزیکی گران‌قیمت هستند. برای شبیه‌سازی‌های مبتنی بر فیزیک، PhysiNet پیش‌بینی‌های وزنی هر دو مدل فیزیک و مدل یادگیری ماشینی جعبه سیاه را با هم ترکیب می‌کند. این چارچوب دارای پیشرفت‌های دقیق نسبت به هر دو مدل است.

این چارچوب فوق‌العاده ساده‌ای است و می‌توان آن را گسترش داد، برای مثال با استفاده از پیش‌بینی‌های مدل فیزیک به عنوان ویژگی‌هایی در شبکه عصبی.

از خواندن شما متشکرم!

این متن با استفاده از ربات مترجم مقاله علم داده ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.

مقالات لینک‌شده در این متن می‌توانند به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.