你在这里
用生成对抗网络设计复杂的建筑材料
用生成对抗网络设计复杂的建筑材料
毛云伟，何琪，赵宣和
从纳米到米的长度尺度的建筑材料适用于不同的应用。增材制造的最新进展使得大规模生产复杂的建筑材料在技术上和经济上都是可行的。然而，现有的建筑设计方法，如生物灵感、爱迪生和优化，通常依赖于有经验的设计师的先验知识，限制了建筑材料的广泛应用。尤其具有挑战性的是设计具有极端性质的建筑材料，例如在没有先验知识的情况下，以无经验的方式设计各向同性弹性的Hashin-Shtrikman上限。在这里，我们提出了一种无经验和系统的方法，用于设计具有生成对抗网络的复杂建筑材料。这些网络使用来自数百万个随机生成的基于不同晶体对称分类的结构的模拟数据进行训练。我们展示了400多个二维结构的建模和实验结果，这些结构接近哈辛-什trikman各向同性弹性刚度的上限，孔隙率从0.05到0.75。
科学的进步2020年4月24日
第6卷，no。17日,eaaz4169
DOI: 10.1126 / sciadv.aaz4169
评论
关于:GAN用于设计复杂建筑材料
亲爱的Xuanhe,
1.有趣!似乎做了大量的工作!!
2.我基本上跳过了材料/机制方面的内容(我并不熟悉这个主题)。然而，在神经网络方面，我发现了一个奇怪的地方。
3.对于鉴别器，第一和第二卷积层的核大小为4 X 4。使用一个甚至果仁的数字似乎有点奇怪的对我!
如果使用偶数作为内核大小，则会导致不对称内核。这可能会带来混叠效果。(要了解一些解释，请参见Data Science StackExchange上的问答[＾]。)
在奇数大小的内核中，对于通用图像识别(比如CIFAR等)，最近的趋势似乎是深入更深的体系结构和更小的内核，比如3 X 3或5 X 5。
因此，使用这种奇怪大小的内核进行一些试验可能是值得的。
4.另一个点。如果你最初的卷积和池化操作继续减小图像大小，以至于你的最后一个Conv层恰好有4 X 4的输入大小，那么也可以使用4 X 4的内核。这样的Conv层将只产生1个像素，因此，对称与不对称的考虑不再适用。我不确定，但我确实认为只有当另一个Conv层紧随一个给定的Conv层时，对称和所有应该是重要的。
5.但是，总的来说，高度跨学科的知识。不，多学科的工作。我很感激。
最好的
——特
PS:忍不住!我想到了一个有趣的想法。为什么不试试Penrose瓷砖，看看是否有什么有趣的东西被抛出——无论是在学习阶段，还是在预测阶段，还是在属性方面(Schachtman)?．.．只是无聊的沉思……
亲爱的特,
亲爱的特,
谢谢你的评论!大点。卷积神经网络的超参数高度依赖于设计者。这里的重点是说明GAN在建筑材料设计中的想法，而不是机器学习性能的基准。对于我们的例子，均匀的内核大小工作得很好，并且不会发生混叠效果。然而，我们确实相信，使用更复杂的网络，即对称内核、VGGNet、ResNet-50甚至ResNeXt，它会获得更好的结果。我们会在以后的工作中尝试，看看是否有什么不同。谢谢你的建议。这里的方法是通用的，适用于其他性质。
最好的
气
回复祁
亲爱的气,
谢谢你的回复。
根据最佳实践建议，到目前为止，我一直使用奇数大小的内核——除了最后一层(这是我自己发现的)。同时，我又想起了阿德里安·罗斯布罗克博士在这里所说的话[＾]。
这就是为什么，有趣的是你没有实际上参见混叠效果。
为了找出原因，我决定重新审视一下数学参与。
看来，与公认的观点相反，就目前而言严格的顺序模型去吧，奇数和偶数大小的内核之间的区别应该不做出实质性的区别，前提是卷积参数的数量保持可比性(在使用奇数和偶数大小内核的纯卷积模型之间)。数学似乎就是这么说的。在机器学习的严格顺序模型中，不应该出现对称与不对称的问题。当然，我还没有对这一含义进行实证检验。(没有时间了。)但这似乎证明了你所说的是正确的，当然，这又是事后的证明!
那。不连续的模型比如那些有跳跃式连接的?(或者，甚至只是用连接层?)在这里，粗略的数学计算表明，奇数大小(对称)的内核应该比偶数大小的内核学习得更好，提供图像大小保持不变。学习应该提高到什么程度?粗略的数学并没有给出粗略的答案!但这是一个很好的假设。当然，再一次，经验需要证据。(没有理由'ReLU's应该比tanh或sigmoid更好，直到他们弄清楚它是如何工作的!那是在事后!)希望一些计算机科学的UG/PG学生决定系统地看看它。
无论如何，这对我来说是一个非常有用的讨论。让我了解了一些我没有单独调查过的事情。所以，谢谢你分享你的观察。
最好的
——特