首页 » 导购 >

布朗大学开发出基于神经网络的新模型DeepONet 可用于自动驾驶汽车

2021-04-14 20:16:07来源:盖世汽车

盖世汽车讯 据外媒报道,众所周知,人工神经网络可高效逼近连续函数,且这些函数值无突然变化,具体表现为图中的不连续性、洞及跳跃。尽管许多研究已经使用神经网络来逼近连续函数,但到目前为止,很少有人以研究非线性算子的逼近能力。布朗大学(Brown University)研究人员最近开发出基于神经网络的新模型DeepONet,可学习线性和非线性算子。

研究人员之一George Em Karniadakis表示:“大约五年前在教授微积分时,我问自己,神经网络是否可以逼近函数。为此,我到处寻找,却始终一无所获。直到我偶然发现复旦大学Chen于1993年发布的一篇论文,研究人员使用单层神经元实现了功能逼近。最后,我还阅读了其同组的另一篇论文。这正是我们研究的开始。”受Chen及其论文的启发,Karniadakis决定探索开发一种可以逼近线性和非线性算子的神经网络。他与其博士生Lu Lu讨论了这个想法。

与逼近神经网络的传统函数相反,DeepONet逼近线性和非线性算子。该模型包括两个深层神经网络:一个可对离散输入函数空间(即分支网络)进行编码,另一个可对输出函数域(即主干网络)进行编码。本质上,DeepONet是将函数作为无限维的对象输入,并将其映射到输出空间中的其他函数。

Karniadakis表示:“我们可以使用标准的神经网络逼近函数,将数据点作为输入及输出数据点。DeepOnet是一种全新的查看神经网络的方法,其网络可以绘制所有已知的数学运算符,以及连续输出空间中的微分方程。”

学习给定算子后,DeepONet可比其他神经网络更快地完成操作并做出预测。在一系列初步评估中,Karniadakis和其同事发现,DeepONet可在一秒内做出预测,即使是复杂系统的相关预测。Karniadakis表示:“DeepONet可实时进行预测,因此对自动驾驶汽车也非常实用。它还可用作构建块,仿真数字孪生、系统的系统以及复杂的社会动力系统。换言之,经过大量的离线培训,DeepONet可以绘制黑匣子复杂系统。”

作为研究的一部分,研究人员研究了DeepONet输入函数空间的不同公式,并评估这些公式对16种不同应用的泛化误差的影响。由于其模型可以隐式地获得各种线性和非线性算子,因此该发现非常具有潜力。

未来,DeepONet可能会有更广泛的应用。例如,它可以用于开发能够解决微积分问题或求解微分方程的机器人,以及响应速度更快和功能更先进的自动驾驶汽车。