Training variation of physically-informed deep learning models

Lenau, Ashley

doi:10.1088/2632-2153/ae5e18

2026-05-23

PRE

Lenau, Ashley *

Dennis M. Dimiduk

Stephen R. Niezgoda

DOI：10.1088/2632-2153/ae5e18

原文链接

原文求助

摘要

En 中文

一个成功的深度学习网络不仅高度依赖于训练数据集，还依赖于用于针对特定任务调整网络的训练算法。损失函数、数据集和超参数的调整在训练网络中都起着关键作用，但目前关于训练算法的可靠性、一致性或可重复性的讨论不多。随着物理信息损失函数的流行，这引发了一个问题：在多次训练运行中，一个人的损失函数在调整网络以强制执行特定控制方程时的一致性如何。报告模型变化（通过跨训练运行的标准差等指标量化）对于评估损失函数在一致训练网络以遵守给定控制方程方面的能力是必要的，并且提供了不同方法之间更公平的比较。在本工作中，使用了一个预测高弹性对比复合材料应力场的Pix2Pix网络作为案例研究。实现了几种强制应力平衡的不同损失函数，并在固定所有训练的数据分割和每个训练方法的固定超参数的情况下，评估了多次训练过程中收敛性、准确性和强制应力平衡的变化。所有物理信息损失函数的实施都至少将应力平衡约束误差减少了57%，并将该误差在30次不同训练运行中的变异性至少减少了81%，显示了物理信息损失在以更高一致性和准确性训练网络方面的能力。还分享了关于报告模型变化的建议做法。

Keyword:

physics-informed machine learning

model variation

training reproducibility

microstructure modeling