Research

一、数据驱动的智能建模与优化

        随着科学技术的快速发展,生产实践中对产品性能、生产成本、环境影响等要素的要求日益提升,随之而来的是问题形式的日趋复杂,使建模和优化变得极具挑战性。例如,在新材料研发中,很难构建出实验参数与材料性质之间的映射模型,因此,为了获得高性能材料,往往需要耗费大量的实验成本。

                                                                                                                  

图1. 数据驱动的智能建模与优化解决方案

        数据驱动的智能建模与优化旨在利用深度学习、演化计算等前沿的计算智能方法,对复杂问题进行建模和优化(如图1所示)。本课题组的相关研究成果已成功应用于混合动力车控制器优化[1]、超疏水功能材料研发[2]等重要领域。

参考资料:

[1] Cheng, Ran, et al. “Evolutionary many-objective optimization of hybrid electric vehicle control: From general optimization to preference articulation.” IEEE Transactions on Emerging Topics in Computational Intelligence 1.2 (2017): 97-111.
[2] Zhang, Xia, et al. “Computational Intelligence‐Assisted Understanding of Nature‐Inspired Superhydrophobic Behavior.” Advanced Science 5.1 (2018): 1700520.


二、深度神经演化

        近年来,深度学习获得了较快的发展,在机器视觉、自然语言处理等多个领域的应用都取得了很好的效果。随着深度学习研究的不断深入,深度学习模型的神经网络架构变得日趋复杂,人工设计神经网络架构变得愈加困难。因此,神经网络架构搜索(Neural Architecture Search, NAS)逐渐成为深度学习领域的热点研究方向,旨在针对在不同部署场景下的不同类型的深度学习问题(如:“手机芯片”的深度学习部署问题),利用计算机取代人工进行网络架构设计。

                                                                                                                  

图2. 基于深度神经演化的深度学习模型自动建模方案

        演化计算是人们受自然进化启发而提出的求解优化问题的一大类原理与算法,它通过模拟自然进化中的选择、交叉、变异、环境适应等过程,对复杂问题进行自动求解,具有实现方便、概念简单、鲁棒性强等特点。近年来,将演化计算用于NAS的方法论引起了学术界和工业届的重点关注,被称为深度神经演化(Neuroevolution)。本课题组近期的研究成果表明,神经演化可以大幅降低深度神经网络架构搜索的时间复杂度(如图2所示),且所得到的网络拥有更低的结构复杂度。