Diversity-aware batch-mode active learning for efficient sampling in data-driven constitutive modeling

Ronak Shoghi

doi:10.1016/j.commatsci.2026.114979

Diversity-aware batch-mode active learning for efficient sampling in data-driven constitutive modeling

2026-08-01

0

PRE

AI

DOI：10.1016/j.commatsci.2026.114979

原文链接

原文求助

摘要

En 中文

材料的本构行为通过应力、应变以及可能的附加内部变量之间的关系进行建模。这导致机器学习模型具有相对高维的特征空间，使得信息数据集的高效生成至关重要，因为暴力方法受到维度灾难的影响。本研究引入了一种多样性感知的批模式查询委员会主动学习策略，以最低成本生成最大信息含量的数据集。与现有方法相比，该方法在每次迭代中选择多个信息查询，同时明确避免批内冗余加载方向，从而实现信息数据集的并发生成并减少机器学习再训练周期。该方法的核心组件是基于余弦相似度的度量，通过促进批内多样性，补充基于委员会方差的置信度标准。查询选择由委员会方差和促进多样性的标准指导。该方法在数据驱动本构建模中对应力空间的高效采样进行了基准测试。在此设置中，支持向量分类器委员会近似所谓的屈服面，该面将六维应力空间划分为弹性域和塑性域。我们证明该方法能够稳健地处理不同的批大小，保持高批内多样性，并快速降低委员会不确定性。所得机器学习屈服面在预测精度上可与传统主动学习相媲美，同时大幅减少再训练周期。这使得所提出的方法成为数据驱动本构建模中应力空间采样的有效策略，并通过每次迭代中的并发数据收集来减少求解时间。

Keyword:

Batch-mode active learning

Query-by-committee

Support vector classification

Constitutive modeling

Machine learning yield function

Diversity-aware batch-mode active learning for efficient sampling in data-driven constitutive modeling

摘要

期刊

机构

引用论文