科学探索|将物理学教授给AI 可对材料属性有更深入的了解( 二 )


与传统 DNN 相比,LNN 等信息化神经网络应该具有更高的数据效率,以及实现更好的域外泛化性 。图 3 显示了 LNN 和两个传统 DNN 模型的比较,两个 DNN 模型的选择使得第一个网络(表示为 DNN1)具有与 LNN 相同的隐藏层结构,而第二个模型(表示为 DNN2)旨在为了达到与 LNN 相似的性能,尺寸要大得多 。

科学探索|将物理学教授给AI 可对材料属性有更深入的了解
文章图片


图 3:LNN 和两个传统 DNN 模型的比较 。
研究发现 LNN 的性能明显优于 DNN1,这很可能具有足够的复杂性来充分近似底层物理,并实现了与 DNN2 相似的性能,后者具有两个数量级的可学习参数 。此外,与 DNN2 相比,LNN 在训练边界外的泛化能力有所提高 。最后,发现 LNN 在几何空间的不同区域的性能可变 。
研究结果表明,通过在预测复杂散射参数时辅以频率相关的介电常数和磁导率的因果物理LNN 表现出显着增强的学习 ADM 复杂物理特性的能力,而训练数据少得多,而且具有阶数与传统 DNN 相比,模型参数要少很多 。
“现在我们已经证明这是可以做到的,我们希望将这种方法应用于物理未知的系统 。”Padilla 说 。
“很多人正在使用神经网络来预测材料特性,但从模拟中获得足够的训练数据是一个巨大的痛苦,”Malof 补充道,“这项工作也为创建不需要太多数据的模型指明了一条道路,这是非常有用的 。”
论文链接:
【科学探索|将物理学教授给AI 可对材料属性有更深入的了解】https://doi.org/10.1002/adom.202200097