迁移学习 — CAE术语解说

我们使用它。CAE模拟运行一个案例可能需要数小时，因此很难准备大量的训练数据。这就是迁移学习的目的：通过利用在相似条件下预训练的模型知识，即使用数据较少也能创建高精度的预测模型。

这是一种技术，将在某个任务（源域）上充分学习的神经网络权重用作另一个相关任务（目标域）的初始值，然后用少量数据进行微调。例如，用简化网格的流体分析学习的模型，用高精度网格的分析结果微调，这样的概念。

汽车碰撞模拟是一个很好的例子。如果有一个用车型A的完整模型学习数百个案例计算数据而得的代理模型，那么对于相似车级的车型B，只需进行数十个额外计算就能获得预测精度。这可以在开发初期大幅压缩模拟工时。

源和目标的物理相似性越高，精度就越好。反之，如果在完全不同的物理现象之间进行迁移，可能会发生"负迁移"，导致性能恶化。因此，在实际应用中，决定冻结哪些层以及从哪里开始微调是关键。

很好。首先从整理源和目标之间的物理共同点开始会比较不容易失败。