在材料科学中，衍生模型以预测突出材料特性（例如弹性，强度，电导率）及其与加工条件的关系。主要缺点是校准依赖于处理条件的模型参数。目前，必须优化这些参数以拟合测量数据，因为它们与处理条件（例如变形温度，应变率）的关系不完全理解。我们提出了一种新的方法，该方法识别了基于遗传编程的处理条件的校准参数的功能依赖性。我们提出了两个（显式和隐式）方法来识别这些依赖项并生成短暂的可解释表达式。该方法用于扩展基于物理的组成型模型以进行变形过程。该本结构型模型与内部材料变量（例如位错密度）进行操作，并且包含许多参数，其中包括三个校准参数。衍生的表达式扩展了本组件模型并替换校准参数。因此，启用各种处理参数之间的插值。我们的研究结果表明，隐式方法比明确的方法更昂贵，但也产生明显更好的结果。
translated by 谷歌翻译
生物神经元比人工感知龙更强大，部分原因是复杂的树突状输入计算。启发是为了使感知器具有生物学启发的功能，我们探索了添加和调谐输入分支因子以及输入辍学的效果。这允许发现和基准测试参数有效的非线性输入体系结构。此外，我们提出了一个pytorch模块，以替换现有体系结构中的多层感知层。我们对MNIST分类的最初实验证明了与现有的感知架构相比，树突神经元的准确性和泛化改善。
translated by 谷歌翻译