2026-03-11 12:08
许多工程难题最终都归结于同一个难题——需要调节的旋钮太多，而测试机会却太少。无论是调整电网还是设计更安全的车辆，每一次评估都可能耗费大量成本，而且可能有数百个变量会影响最终结果。以汽车安全设计为例，工程师必须整合数千个零部件，许多设计选择都会影响车辆在碰撞中的表现。传统的优化工具在寻找最佳组合时可能会显得力不从心。
据外媒报道，麻省理工学院（MIT）的研究人员开发了一种新方法，重新思考了如何利用经典的贝叶斯（Bayesian）优化方法来解决包含数百个变量的问题。在电力系统优化等实际工程基准测试中，该方法找到最优解的速度比常用方法快10到100倍。
麻省理工学院的技术利用了一个基于表格数据训练的基础模型，而该模型能够自动识别对提升性能至关重要的变量，并不断重复此过程以找到更优的解决方案。基础模型是基于庞大的通用数据集训练的大型人工智能系统，从而能够适应不同的应用场景。
研究人员的表格基础模型无需在求解过程中不断重新训练，从而提高了优化过程的效率。该技术还能显著提升复杂问题的求解速度，因此在材料开发或药物发现等高要求应用中尤为有用。
计算科学与工程专业的硕士研究生、该技术论文的第一作者Rosen Yu表示：“现代人工智能（AI）和机器学习模型可以从根本上改变工程师和科学家创建复杂系统的方式。我们提出了一种算法，它不仅可以解决高维问题，而且可重复使用，因此可以应用于许多问题，而无需从头开始。”
当科学家试图解决一个复杂的问题，但评估成功率的方法却十分昂贵时（例如，通过碰撞测试来评估汽车设计的优劣），他们通常会采用贝叶斯优化方法。这种迭代方法通过构建代理模型来寻找复杂系统的最佳配置，该模型能够帮助预测下一步的探索方向，同时考虑预测的不确定性。
扫一扫关注微信
