声振论坛

 找回密码
 我要加入

QQ登录

只需一步,快速开始

查看: 1726|回复: 0

[其他相关] 浅谈人工智能与力学

[复制链接]
发表于 2019-1-25 09:42 | 显示全部楼层 |阅读模式

马上注册,结交更多好友,享用更多功能,让你轻松玩转社区。

您需要 登录 才可以下载或查看,没有账号?我要加入

x
  棋手和AlphaGo的对战落下帷幕,其中AlphaGo强大的深度学习能力和神经网络算法被人们津津乐道。借此,我们也来简单地看一下人工智能与力学的联系。

  何为深度学习
  机器学习是人工智能的一个分支,简单地说,就是通过算法使机器能从大量历史数据中学习规律,从而对新的样本做智能识别或对未来进行预测。常见的机器学习算法有:神经网络 (Neural Network)、支持向量机 (Support Vector Machines, SVM)、Boosting、决策树 (Decision Tree)、随机森林 (Random Forest)、贝叶斯模型 (Bayesian Model) 等。

  早期的机器学习算法由于受到理论模型和计算资源的限制,一般只能进行浅层学习,只在搜索排序系统、垃圾邮件过滤系统、内容推荐系统等地方有所应用。

  而之后发生的几件事,掀起了深度学习的浪潮。一件是2006年,加拿大多伦多大学教授Hinton和他的学生Salakhutdinov在Science上发表了一篇文章,揭示了具有多个隐层的神经网络(即深度神经网络)优异的学习性能,并提出可以通过“逐层初始化”技术,来降低深度学习网络训练的难度。

  第二件事是在2012年底,Geoff Hinton的博士生Alex Krizhevsky、Ilya Sutskever利用卷积神经网络 (Convolutional Neural Network, CNN) 在图片分类的竞赛 ImageNet 上,击败了拥有众多人才资源和计算资源的Google,拿到了第一名。

  如今机器学习已深入到包括语音识别、图像识别、数据挖掘等诸多领域,并取得了瞩目的成绩。

  神经网络与力学
  其实,在深度学习浪潮掀起之前,力学和工程领域早已开始在计算力学研究中结合神经网络模型,开发出更优的算法,一个典型的例子便是有限元神经网络模型。

  由于在实际工程问题中存在大量的非线性力学现象,如在结构优化问题中,需要根据需求设计并优化构件结构,是一类反问题,这些非线性问题难以用常规的方法求解,而神经网络恰好具有良好的非线性映射能力, 因而可得到比一般方法更精确的解。

  将有限元与神经网络结合的方法有很多,比如针对复杂非线性结构动力学系统建模问题,可以将线性部分用有限元进行建模,非线性构件用神经网络描述(如输入非线性部件状态变量,输出其恢复力),再通过边界条件和连接条件将有限元模型部分和神经网络部分结合,得到杂交模型。

  另一种方法是首先通过有限元建立多种不同的模型,再将模态特性(即最终需要达到的设计要求)作为输入变量,将对应的模型结构参数作为输入变量,训练神经网络,利用神经网络的泛化特性,得到设计参数的修正值。

  结合Monter Carlo方法,进行多组有限元分析,将数据输入神经网络中进行训练,可以用来分析结构的可靠度。

  概括地说工程上主要是利用神经网络的非线性映射能力,解决一些复杂的非线性问题,同时神经网络也是多组数据求优的很好的选择。

  来源:FESIM有限元分析微信公众号,作者:飞赛团队。

回复
分享到:

使用道具 举报

您需要登录后才可以回帖 登录 | 我要加入

本版积分规则

QQ|小黑屋|Archiver|手机版|联系我们|声振论坛

GMT+8, 2024-12-23 11:45 , Processed in 0.063545 second(s), 18 queries , Gzip On.

Powered by Discuz! X3.4

Copyright © 2001-2021, Tencent Cloud.

快速回复 返回顶部 返回列表