AI × CAE — 机器学习优化 — 文章目录
在使用CAE的设计优化中，一个工况的分析需要几分钟到几小时，穷举并不现实。机器学习优化是把贝叶斯优化或进化计算与代理模型结合，用较少的分析次数逼近最优解的一类方法。超参数优化（HPO）的框架原本是为调整机器学习模型而发展起来的，但用采集函数决定“下一步分析哪里”的结构，与CAE的设计探索完全同构。
《AutoML和超参数优化》一文介绍把Optuna等框架接入CAE工作流、把目标函数的评估当作提交分析作业的实现模式。并行试验数与收敛速度的权衡、以及对失败作业（发散、网格生成失败）的剪枝处理，是实务中的要点。
收录文章
- AutoML和超参数优化
面向CAE机器学习模型的AutoML与超参数优化方法，使用TPE和BOHB等算法自动搜索学习率、层数、核参数，提升模型精度与训练效率。 - 生成设计(生成式设计)
生成设计(生成式设计)的理论基础到实务应用。通过AI优化设计实现轻量化、成本削减。讲解拓扑优化、参数化设计方法。 - 强化学习进行CAE制御
强化学习用于CAE控制的理论基础与实务应用，融合数据驱动方法与物理建模，改善计算成本与预测精度的权衡，并讲解最优控制设计与数值方法。 - ML拓扑优化
采用深层学习的ML拓扑优化是一种大幅加速传统迭代计算（SIMP法）的方法。CNN等模型直接预测结构密度分布，提高设计流程效率。本页面解释了数学公式及其含义，介绍了CAE与AI融合带来的设计创新。