蓋世汽車訊 許多工程難題最終都歸結(jié)于同一個難題——需要調(diào)節(jié)的旋鈕太多，而測試機會卻太少。無論是調(diào)整電網(wǎng)還是設(shè)計更安全的車輛，每一次評估都可能耗費大量成本，而且可能有數(shù)百個變量會影響最終結(jié)果。以汽車安全設(shè)計為例，工程師必須整合數(shù)千個零部件，許多設(shè)計選擇都會影響車輛在碰撞中的表現(xiàn)。傳統(tǒng)的優(yōu)化工具在尋找最佳組合時可能會顯得力不從心。

據(jù)外媒報道，麻省理工學院（MIT）的研究人員開發(fā)了一種新方法，重新思考了如何利用經(jīng)典的貝葉斯（Bayesian）優(yōu)化方法來解決包含數(shù)百個變量的問題。在電力系統(tǒng)優(yōu)化等實際工程基準測試中，該方法找到最優(yōu)解的速度比常用方法快10到100倍。

圖片來源：麻省理工學院

麻省理工學院的技術(shù)利用了一個基于表格數(shù)據(jù)訓練的基礎(chǔ)模型，而該模型能夠自動識別對提升性能至關(guān)重要的變量，并不斷重復此過程以找到更優(yōu)的解決方案。基礎(chǔ)模型是基于龐大的通用數(shù)據(jù)集訓練的大型人工智能系統(tǒng)，從而能夠適應(yīng)不同的應(yīng)用場景。 

研究人員的表格基礎(chǔ)模型無需在求解過程中不斷重新訓練，從而提高了優(yōu)化過程的效率。該技術(shù)還能顯著提升復雜問題的求解速度，因此在材料開發(fā)或藥物發(fā)現(xiàn)等高要求應(yīng)用中尤為有用。

計算科學與工程專業(yè)的碩士研究生、該技術(shù)論文的第一作者Rosen Yu表示：“現(xiàn)代人工智能（AI）和機器學習模型可以從根本上改變工程師和科學家創(chuàng)建復雜系統(tǒng)的方式。我們提出了一種算法，它不僅可以解決高維問題，而且可重復使用，因此可以應(yīng)用于許多問題，而無需從頭開始?！?/p>

當科學家試圖解決一個復雜的問題，但評估成功率的方法卻十分昂貴時（例如，通過碰撞測試來評估汽車設(shè)計的優(yōu)劣），他們通常會采用貝葉斯優(yōu)化方法。這種迭代方法通過構(gòu)建代理模型來尋找復雜系統(tǒng)的最佳配置，該模型能夠幫助預(yù)測下一步的探索方向，同時考慮預(yù)測的不確定性。

返回第一電動網(wǎng)首頁 >