你在这里
机器学习现在是力学研究的重点吗?
星期一，2016-09-12 22:01 -Mingchuan王
你好,
我知道机器学习/人工智能的研究和应用现在在学术界很流行。我正好对那个感兴趣。我发现人们用这个工具在材料科学中预测晶体结构，在化学中描述分子结构。第一印象是，机器学习有助于处理原始数据，构建经验模型等。然而，关于机器学习在力学中的应用，发表的作品并没有我想象的那么多。
也许我对力学，尤其是统计力学的了解有限。但我想知道，像“用机器学习研究弹性体的本构建模”这样的研究是否有趣和值得鼓励?
问候
评论
回复:机器学习现在是力学研究的重点吗?
机器学习包括大量的技术，这些技术可以概括为高维空间中的曲线拟合。万博体育平台机械师多年来广泛使用这些技术，如神经网络或遗传算法，但没有将其称为“机器学习”。最近人们对机器学习的兴趣的复苏来自于新算法的发展(特别是神经网络算法的重大改进)和大量数据的可用性，这些数据使曲线拟合更加准确。新技术的用处不应被低估。
通过拟合网络而不是在每个高斯点上重复进行相同的计算，可以提高详细力学计算(例如FEA)的速度，这是一个应用领域。其他方法请参见http://arxiv.org/abs/1609.02815．
——Biswajit
谢谢,Biswajit。我同意
谢谢,Biswajit。我同意你的看法。我对机械师使用机器学习的第一印象是它在经验建模万博体育平台中的应用。然而，有限元分析的部分我很感兴趣，我将寻找一些例子。
回复:机器学习——它在一个意想不到的地方取得了成功……
这是一个非常晚的评论，但仍然，只是因为一些东西在这么晚的时候才打动我……不妨分享一下....
我认为，正如Biswajit所指出的，这是一个将技术与可能“足够好”的领域相匹配的问题。
我的意思是说，考虑流体动力学，并将其与QM进行对比。
在(C)FD中，平流项中的非线性是一个主要的头痛问题。据我所知，非线性几乎已经被“证明”是湍流现象背后的基本原因。如果是这样，从简单的“分析”来看，在CFD中使用机器学习将是无望的尝试——使用电势的想法本身就以微分线性为前提。
然后，考虑bc和ic在任何模拟中的角色。的确，如果你不能正确地处理非线性问题，那么随着模拟时间的推移，错误很快就会成倍增加，并导致崩溃——或者至少与现实模拟有很大的不同。
但同时也要注意，在误差严重放大之前仍有一段很小但非零的时间。现在如果a新“IC”在这段时间内被强制执行(显示“足够好”的准确性)?在这种情况下，你可以期望模拟仍然“足够”逼真!
这篇论文报告的结果似乎隐含着类似的思路:[(.PDF)＾]。
机器学习似乎甚至在CFD中也能起作用，因为在交互会话中，一个新的“IC”是由最终用户自己手动引入的!
这有点像电子穿过云室。根据不确定原理，电子路径在被水分子在空间的某一点“测量”(即吸收和重新发射)后立即开始变得模糊。职位的不确定性增长得相当快。然而，在云室中实际发生的是，在这个模糊的圆锥体变得太大之前，另一个水分子出现了，然后“咔嚓”一下。“测量”电子回到经典轨道. ...最终的结果是一个非常，非常经典的(线状)路径，就好像电子只是一个粒子，而不是一个波。
结论?现实一点，“愚蠢的曲线拟合”到底能有多聪明。与此同时，也要对所有应用领域保持开放，在这些领域，即使是在“直觉上”，你不希望它有任何工作机会的领域!
最好的
——特