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一般学术界都很流行。我碰巧对那个感兴趣。我发现人们用这个工具来预测材料科学中的晶体结构，描述化学中的分子结构。第一印象是，机器学习有助于处理原始数据，建立经验模型等。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是有限的。但我想知道，像“关于弹性体的机器学习本构建模”这样的研究是否有趣和值得鼓励?
问候
评论
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一直在广泛使用这些技术，如神经网络或遗传算法，但没有将它们称为“机器学习”。最近对机器学习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。
我想到的一个应用领域是通过拟合网格来提高详细力学计算的速度，而不是在每个高斯点重复进行相同的计算。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，有限元分析的部分让我很感兴趣，我要找一些例子。
机器学习——它在一个意想不到的地方取得了成功……
这是一个很晚的评论，但是，只是因为我在这么晚才想到……不妨分享一下....
我认为，正如Biswajit所指出的那样，这是一个将技术与可能“足够好”适合的领域相匹配的问题。
我的意思是，考虑流体动力学，并将其与量子力学进行对比。
在(C)FD中，叠加项中存在的非线性是一个主要的问题。据我所知，非线性几乎已经被“证明”为湍流现象背后的基本原因。如果是这样的话，通过简单的“分析”，在CFD中使用机器学习将是一种无望的尝试——使用势能的想法本身就以微分线性为前提。
但是，考虑一下bc和ic在任何模拟中的作用。的确，如果你不能正确处理非线性，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出入。
但是，也要注意，在误差放大到一定程度之前，还有一小段时间是不为零的。如果a新“IC”在这个时间段内被强制执行(显示“足够好”的准确性)?在这种情况下，您可以期望模拟保持“足够”逼真!
类似的事情似乎已经隐含在这篇论文报告的结果中的思路:[pdf]＾]。
机器学习似乎甚至在CFD中也有效，因为在交互式会话中，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。根据测不准原理，电子路径在被水分子“测量”(即被吸收和重新发射)后，在空间的某个确定点上立即开始变得模糊。形势的不确定性增长得相当快。然而，在云室中实际发生的是，在这个朦胧的圆锥体变得太大之前，另一个水分子出现了，并“熄灭”了。“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”到底有多聪明。与此同时，也要对所有可以让它工作的应用领域保持开放——即使是在那些“直觉”上你不会期望它有任何工作机会的领域!
最好的
——特