一种面向多模态物理仿真数据的统一离散序列自回归代理建模方法与流程
本发明涉及物理仿真数据处理与人工智能辅助建模的交叉,尤其是涉及一种面向多模态物理仿真数据的统一离散序列自回归代理建模方法。
背景技术:
1、目前,在惯性约束聚变实验、高能量密度物理实验、辐射输运成像实验以及复杂工程物理仿真实验中,通常需要根据一组可控设计参数预测多个相关物理输出量。以激光聚变为例,实验过程中涉及激光驱动、辐射转换、靶丸烧蚀、冲击波传输、惯性压缩、流体不稳定性发展以及聚变反应等多个环节,输出多个相互耦合的诊断参数,输入的设计参数的细微变化可能同时影响产额、温度、压强、密度分布、内爆图像和时间演化过程等诊断参数的联合变化,若将各模态数据拆开训练多个独立模型,容易破坏输出的诊断参数之间的关联性,因此,对物理仿真实验过程中的输入参数和输出参数的处理提出了更高的要求。
2、现有的物理仿真数据处理通常通过构建传统机器学习代理模型对固定形式的仿真数据建立映射,多层感知机和树模型主要适用于从标量输入到标量输出的低维回归任务;卷积神经网络适用于图像预测任务,但需要单独设置图像输出网络;自动编码器需要将多模态输出压缩为低维连续空间,模型任务边界固定但难以扩展应用,物理仿真任务的数据获取成本较高,高保真数值模拟和实验诊断难以支撑大规模穷举采样,而多模态输出又具有高维度、多数据形式和物理关联复杂等特点,现有的物理仿真数据处理方式应用在多模态物理仿真数据中存在以下不足:对于物理场图像输出,若直接在像素空间回归,容易受到局部像素误差和空间一致性不足的影响;对于时间序列输出,若仅以若干统计指标替代完整时间过程,容易出现丢失冲击到达时刻、峰值时刻和衰减过程等信息。
技术实现思路
1、针对现有技术中多模态物理输出难以统一表示、不同模态分开建模导致同一仿真实验的数据之间难以共享、缺失数据补全能力不足的问题,本技术提供一种面向多模态物理仿真数据的统一离散序列自回归代理建模方法,能够使模型在统一训练目标下学习不同模态之间的联合分布,并在同一框架下实现由设计参数到多模态物理输出的正向预测、由目标物理输出到设计参数的逆向反演以及部分缺失数据的补全。
2、本技术的上述发明目的是通过以下技术方案得以实现的:
3、一种面向多模态物理仿真数据的统一离散序列自回归代理建模方法,所述方法包括:
4、获取物理仿真实验的标量输入参数和对应的多模态物理输出数据并进行数据预处理,构建模型训练样本集合;
5、对所述模型训练样本集合分别进行标量词元化转换与非标量分类离散化映射处理,基于预设任务的任务类型构建对应的统一离散序列;
6、对所述统一离散序列进行统一自回归训练预测各个输出模态置信度,基于所述输出模态置信度计算词元训练损失系数,构建自回归代理模型;
7、基于所述自回归代理模型预测所述预设任务的任务目的,按照所述任务目的生成对应的任务执行结果。
8、本技术在一较佳示例中可以进一步配置为:所述获取物理仿真实验的标量输入参数和对应的多模态物理输出数据并进行数据预处理,构建模型训练样本集合,具体包括:
9、获取物理仿真实验的标量输入参数并进行物理仿真实验,得到与所述标量输入参数相对应的多模态物理输出数据;
10、按照数据类型对所述标量输入参数和所述多模态物理输出数据分别进行标准化或归一化预处理,关联预处理后的标量输入参数与多模态物理输出数据构建模型训练样本集合。
11、本技术在一较佳示例中可以进一步配置为:所述对所述模型训练样本集合分别进行标量词元化转换与非标量分类离散化映射处理,基于预设任务的任务类型构建对应的统一离散序列,具体包括:
12、分别对所述模型训练样本集合中的每个标量样本进行变量分箱量化处理,计算每个标量样本的分箱量化编码;
13、获取每个标量样本的词元偏移量,结合对应的分箱量化编码计算对应标量样本的词元编码,得到每个标量样本的标量词元序列;
14、对所述模型训练样本集合中每个非标量样本分别匹配对应的离散映射规则,基于匹配的离散映射规则对相应非标量样本进行离散编码与数据重构处理,得到非标量词元序列;
15、基于预设任务的任务类型汇集并拼接所述标量词元序列和所述非标量词元序列,构建与所述预设任务相对应的统一离散序列。
16、本技术在一较佳示例中可以进一步配置为:所述分别对所述模型训练样本集合中的每个标量样本进行变量分箱量化处理,计算每个标量样本的分箱量化编码,具体包括:
17、所述分箱量化编码的计算表达式如下所示:
18、
19、其中,表示标量样本的第维变量的分箱编码,表示分箱数量,、分别表示第维变量在模型训练样本集合中的取值下限和取值上限。
20、本技术在一较佳示例中可以进一步配置为:所述获取每个标量样本的词元偏移量,结合对应的分箱量化编码计算对应标量样本的词元编码,得到每个标量样本的标量词元序列,具体包括:
21、所述词元编码的计算表达式如下所示:
22、
23、其中,表示标量样本的第维变量的词元编码,表示第维变量的词元偏移量,表示标量样本的第维变量的分箱编码。
24、本技术在一较佳示例中可以进一步配置为:所述对所述模型训练样本集合中每个非标量样本分别匹配对应的离散映射规则,基于匹配的离散映射规则对相应非标量样本进行离散编码与数据重构处理,得到非标量词元序列,具体包括:
25、按照样本类型对每个非标量样本分别匹配对应的离散映射规则,所述样本类型包括物理场图像和时间序列;
26、按照匹配的离散映射规则将物理场图像样本进行图像压缩,基于图像压缩结果将所述物理场图像样本转换为离散码向量,按照所述离散码向量进行图像重构得到图像词元序列;
27、其中,所述图像词元序列中每个图像词元的重构表达式如下所示:
28、
29、其中,表示图像词元序列中的图像词元,表示输入的物理场图像,表示图像编码器,表示图像解码器,表示码本选择得到的离散码向量,表示停止梯度算子,表示量化承诺损失权重;
30、按照匹配的离散映射规则分别对时间序列样本的每个时间步进行序列位置离散编码和输出值词元编码,逐点对每个时间步的序列位置编码和输出值词元编码进行关联,得到重构的时间词元序列。
31、本技术在一较佳示例中可以进一步配置为:所述对所述统一离散序列进行统一自回归训练预测各个输出模态置信度,基于所述输出模态置信度计算词元训练损失系数,构建自回归代理模型,具体包括:
32、通过统一自回归训练计算所述统一离散序列每个位置的候选词元概率分布,将每个输出模态的候选词元概率分布作为对应输出模态置信度;
33、对每个位置的输出模态置信度进行逐词元加权运算,得到词元训练损失系数,基于所述词元训练损失系数构建自回归代理模型;
34、其中,所述词元训练损失系数的表达式如下所示:
35、
36、其中,表示训练损失参数,表示统一离散序列长度,表示统一离散序列第个位置的真实词元,表示统一离散序列第1个位置至第个位置的所有词元表示 transformer模型参数,表示统一离散序列第个位置对应的模态权重,表示每个输出模态的候选词元概率分布即输出模态置信度。
37、本技术在一较佳示例中可以进一步配置为:所述基于所述自回归代理模型预测所述预设任务的任务目的,按照所述任务目的生成对应的任务执行结果,具体包括:
38、基于所述自回归代理模型分析所述统一离散序列,并预测所述统一离散序列的预设任务的任务目的,所述任务目的包括正向预测、逆向反演和缺失补全;
39、按照所述任务目的执行所述预设任务进行正向预测、逆向推演或缺失数据补全处理,输出符合所述预设任务的任务执行结果。
40、综上所述,本技术包括以下至少一种有益技术效果:
41、1、本技术将输入标量、标量输出、物理场图像和时间序列输出统一表示为离散词元序列,避免为不同模态分别构建互不关联的模型,实现多类型物理数据统一建模,进一步的,通过同一带因果掩码的transformer编码器可通过任务符切换正向预测、逆向反演和缺失数据补全任务,减少多个模型分别训练带来的维护成本和误差传播;
42、2、本技术对非标量样本分别匹配对应的离散映射规则进行针对性处理,在非标量样本的离散映射过程中,物理场图像先被压缩为离散码图,时间序列输出被组织为有序词元,从而将高维图像生成和时间演化过程预测转化为统一的序列生成问题,增强图像与时间序列输出处理能力;在执行任务时,在部分标量、图像区域或时间序列片段缺失时分别生成对应的任务,模型可利用已知模态和已知词元进行条件生成,为物理实验诊断缺测修复和目标物理输出条件下的设计参数反演提供技术支撑,便于缺失数据补全与参数反演;
43、3、本技术不限定输入维度、标量输出维度、图像通道数、图像尺寸和时间序列长度,可根据物理数据集的具体形态调整统一词表和序列布局,适应不同数据集。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com