一个真实神经网络正在自学设计航空发动机支架 — 实时，在您的浏览器中，由真实物理驱动。这里的优化器字面意义上就是一个坐标多层感知器：一个小型神经网络，输入支架每个单元的 (x, y, z) 坐标，输出该单元应有多实心。大脑与零件是同一个对象。您所看到的是网络权重被一次次更新，直到它们产生的密度场成为一个不会断裂且不浪费金属的支架。
这里没有任何东西是手工雕刻的。每个训练步骤遵循所有机器学习相同的四拍节奏：通过网络的前向传播产生一个密度场；有限元应力求解器 — 「酷刑测试」 — 检查支架在载荷下的弯曲程度；合规损失（不要断裂）加体积惩罚（保持轻巧）度量当前权重的失败程度；反向传播通过求解器、通过傅里叶特征多层感知器，经由真实雅可比矩阵将责任传回每个权重和偏置。Adam 然后迈出一步。学习率旋钮调整步伐的大胆程度；节点检查器显示单个神经元的激活值 — 尽管如面板诚实地指出的那样，科学家目前还无法完全命名每个旋钮的作用。这不是本展品的局限。这就是科学的现实状态。
这种方法 — 神经拓扑优化，即 TOuNN — 大约于 2021 年发表，是本翼已有两个展品的刻意结合：AI 雕刻机（运行 SIMP，一种经典启发式密度更新，从正向推进）和神经元实验室（训练多层感知器读取数字）。神经设计机将反向传播用于物理对象而非分类问题，用真实梯度发明结构，就如 DigiSim 的 Logic Lab 用真实门逻辑构建计算。三个房间是一个有意为之的三部曲：启发式优化器、神经优化器、数字读取器 — 同一个梯度下降引擎，三种不同的工作。
规格
- 方法
- 神经拓扑优化（TOuNN）— 坐标多层感知器即设计
- 大脑
- 傅里叶特征多层感知器 (x,y,z)→密度，通过实时有限元由 Adam 训练
- 损失
- 合规 + 体积惩罚 — 「不要断裂」与「保持轻巧」
- 模拟内容
- 真实前向 + 反向传播，∇ 验证；责任波 + 雅可比大脑↔身体链接
更多机器学习展品
