详细内容或原文请订阅后点击阅览
AI 如何通过更智能的采样技术改进模拟
麻省理工学院 CSAIL 的研究人员创建了一种由 AI 驱动的低差异抽样方法，该方法均匀分布数据点以提高模拟准确性。
来源:MIT新闻 - 人工智能想象一下，您的任务是将一支足球运动员团队送入一个田野来评估草的状况（当然，这可能是他们的任务）。如果您随机选择他们的位置，他们可能会聚集在某些领域，同时完全忽略其他领域。但是，如果您给他们一个策略，例如在田野上统一扩散，您可能会更准确地了解草的状况。
现在，想象一下，不仅需要在二维上，而且需要跨数数十个甚至数百个。这是麻省理工学院计算机科学和人工智能实验室（CSAIL）研究人员领先的挑战。他们已经开发了一种AI驱动的方法来“低拨号抽样”，该方法通过在整个空间中更均匀地分配数据点来提高模拟精度。
关键的新颖性在于使用图神经网络（GNN），这使点可以“交流”并自我到于以获得更好的均匀性。它们的方法标志着机器人技术，金融和计算科学等领域的模拟的关键增强，尤其是在处理复杂的，多维问题时，对于准确的模拟和数值计算至关重要。
“在许多问题中，您可以分散点越均匀，您就越准确地模拟复杂的系统，” New Paper和MIT Csail PostDoc的首席作者T. Konstantin Rusch说。 “我们已经开发了一种称为消息通行的蒙特卡洛（MPMC）的方法，以使用几何深度学习技术生成均匀间隔的点。这进一步使我们能够生成强调维度的点，这些维度对于手头问题特别重要，这在许多应用程序中非常重要。该模型的基础图神经网络使要点彼此“谈话”，从而实现了比以前的方法更好的统一性。”
他们的作品发表在9月份的《美国国家科学院录取》上。
国家科学院的会议录