设计具有所需特性的新工业材料可能非常昂贵且耗时。主要困难是生成对应于现实材料的化合物。实际上，作为组分的载体的化合物的描述的表征是通过离散特征和严重的稀疏性表征。此外，传统的生成模型验证过程作为视觉验证，FID和开始分数是针对图像量身定制的，然后不能在此上下文中使用。为了解决这些问题，我们开发了一种致力于产生高稀疏性的离散数据集的原始绑定-VAE模型。我们通过适应化合物生成问题的新型度量来验证模型。我们展示了橡胶复合设计的真正问题，即所提出的方法优于标准生成模型，该模型开启了用于材料设计优化的新视角。
translated by 谷歌翻译
持续学习是在不忘记以前学识的情况下获得新知识的能力，假设不进一步访问过去的培训数据。已知具有梯度下降的神经网络近似器在此设置中失败，因为它们必须从从静止分布中采样的数据点流中学习到收敛。在这项工作中，我们通过荟萃学习的神经元模型更换标准神经元，谁优化了推断和更新规则，以最大限度地减少灾难性干扰。我们的方法可以记住训练样本的数据集长度序列，其学习能力概括为任何域。与以前的持续学习方法不同，我们的方法不会对任务的构建，交付以及它们如何相互关系进行任何假设：它只是吸收并保留一个接一个地保留训练样本，无论输入数据的流是否是时间相关的不是。
translated by 谷歌翻译