深度学习在飞机设计中备受瞩目,特别是在AI for Science的推动下,基于神经网络的数据驱动方法在翼型流场预测方面取得了显著成功。然而,在标注数据有限的情况下,这些方法往往表现欠佳。针对该问题,提出了一种名为Semi-Flow的半监督学习...深度学习在飞机设计中备受瞩目,特别是在AI for Science的推动下,基于神经网络的数据驱动方法在翼型流场预测方面取得了显著成功。然而,在标注数据有限的情况下,这些方法往往表现欠佳。针对该问题,提出了一种名为Semi-Flow的半监督学习方法,用于翼型流场预测。Semi-Flow利用神经网络的损失记忆特性,根据损失函数值,将伪标签数据分为简单和困难两个子集。这种聚类方法基于高斯混合模型,将损失函数结合数据损失和辅助物理监督,确保模型结果符合气动特性和数据约束。在数据选择过程中,选择两个模型共同的简单样本作为训练样本,避免噪声样本的影响。训练过程首先对标注样本进行几轮热身训练,然后逐步添加经过过滤的简单样本。实验结果表明,Semi-Flow方法在标记数据有限的情况下相比于仅基于少量标记数据训练表现优异,总体预测性能提升了近30%。消融研究和定性结果验证了其有效性。Semi-Flow展示了AI for Science的潜力,通过减少对大量标注数据的依赖,为流场预测提供了有前景的方法。展开更多
文摘深度学习在飞机设计中备受瞩目,特别是在AI for Science的推动下,基于神经网络的数据驱动方法在翼型流场预测方面取得了显著成功。然而,在标注数据有限的情况下,这些方法往往表现欠佳。针对该问题,提出了一种名为Semi-Flow的半监督学习方法,用于翼型流场预测。Semi-Flow利用神经网络的损失记忆特性,根据损失函数值,将伪标签数据分为简单和困难两个子集。这种聚类方法基于高斯混合模型,将损失函数结合数据损失和辅助物理监督,确保模型结果符合气动特性和数据约束。在数据选择过程中,选择两个模型共同的简单样本作为训练样本,避免噪声样本的影响。训练过程首先对标注样本进行几轮热身训练,然后逐步添加经过过滤的简单样本。实验结果表明,Semi-Flow方法在标记数据有限的情况下相比于仅基于少量标记数据训练表现优异,总体预测性能提升了近30%。消融研究和定性结果验证了其有效性。Semi-Flow展示了AI for Science的潜力,通过减少对大量标注数据的依赖,为流场预测提供了有前景的方法。
