Cách sử dụng AI để tạo ra hiệu quả phân tích tốn thời gian trong thời gian ngắn

Nội dung liên quan: Mô tỷ lệ cá cược bóng đá trực tuyến thay thế dựa trên máy học và cách sử dụng chúng

Trường Cao học Kỹ thuật Đại học Kyushu, Khoa Cơ khí, Giáo sư Koji ShimoyamaBài viết - 202658

Nói chung, để ước tính các phản hồi phức tạp, cần tăng mức độ tự do ngôn luận của mô tỷ lệ cá cược bóng đá trực tuyến thay thế Để làm được điều này, cần phải tăng số lượng tham số mô tả mô tỷ lệ cá cược bóng đá trực tuyến, nhưng điều này dẫn đến tăng thời gian cần thiết để điều chỉnh các tham số, tức là xây dựng mô tỷ lệ cá cược bóng đá trực tuyến thay thế và hiệu quả ban đầu của mô tỷ lệ cá cược bóng đá trực tuyến thay thế, nhằm mục đích tiết kiệm thời gian, bị giảm đi Ngoài ra, giống như các mô tỷ lệ cá cược bóng đá trực tuyến thay thế thông thường, có một giới hạn đối với phản hồi có thể được biểu thị bằng một hàm duy nhất, do đó, nó bị giới hạn trong việc dự đoán các phản hồi có mức độ tự do thấp (vô hướng)

Do đó, trong những năm gần đây, các mô tỷ lệ cá cược bóng đá trực tuyến thay thế dựa trên học máy, chẳng hạn như mạng thần kinh (NN), đã thu hút sự chú ý vì chúng cho rằng đủ linh hoạt để ước tính bất kỳ phản hồi liên tục nào (định lý xấp xỉ phổ quát) [1] sử dụng các hàm tổng hợp kết hợp các hàm được lồng trong nhiều lớp Đặc biệt, nó được coi là một mô tỷ lệ cá cược bóng đá trực tuyến đầy hứa hẹn để dự đoán các phản ứng có mức độ tự do (vectơ) cao, chẳng hạn như các hiện tượng vật lý như động lực học chất lỏng Về việc sử dụng AI bao gồm cả học máy, tôi đã viết chuyên mục kỹ thuật của mình rồi[Cách sử dụng AI để tạo ra hiệu quả của việc phân tích tốn thời gian trong thời gian ngắn Phần 5: Nói về ứng dụng vào kinh doanh　Việc sử dụng AI trong tương lai]Ở đây, chúng tôi sẽ giới thiệu cách sử dụng các mô tỷ lệ cá cược bóng đá trực tuyến học máy, cùng với nghiên cứu mà các tác giả đã thực hiện cho đến nay

▼Mục lục

1 Cách giảm dữ liệu đào tạo trong mô tỷ lệ cá cược bóng đá trực tuyến học máy

Chúng tôi sẽ giới thiệu một ví dụ về dự đoán trường dòng chảy xung quanh tỷ lệ cá cược bóng đá trực tuyến dạng cánh máy bay bằng cách sử dụng "Mạng thần kinh chuyển đổi (CNN)" [2] được sử dụng trong lĩnh vực nhận dạng tỷ lệ cá cược bóng đá trực tuyến ảnh

Đầu vào của CNN là hàm khoảng cách có dấu của tỷ lệ cá cược bóng đá trực tuyến dạng mục tiêu (khoảng cách ngắn nhất từ bề mặt tỷ lệ cá cược bóng đá trực tuyến dạng đến từng pixel trong ảnh, được đặt đồng nhất thành 0 trên bề mặt tỷ lệ cá cược bóng đá trực tuyến dạng và bên trong tỷ lệ cá cược bóng đá trực tuyến dạng) và đầu ra là trường dòng chảy (vận tốc và áp suất) xung quanh tỷ lệ cá cược bóng đá trực tuyến dạng Bộ mã hóa ở phía đầu vào sử dụng các lớp tích chập và các lớp gộp để giảm kích thước tỷ lệ cá cược bóng đá trực tuyến ảnh đầu vào, đồng thời tăng số lượng kênh tỷ lệ cá cược bóng đá trực tuyến ảnh (số lượng tỷ lệ cá cược bóng đá trực tuyến ảnh theo chiều sâu) Bằng cách này, các đặc điểm (biến tiềm ẩn) của ảnh đầu vào được trích xuất đồng thời giảm lượng thông tin trong ảnh đầu vào Bộ giải mã ở phía đầu ra sẽ phóng to kích thước tỷ lệ cá cược bóng đá trực tuyến ảnh và đưa nó về cùng kích thước với tỷ lệ cá cược bóng đá trực tuyến ảnh đầu vào bằng cách áp dụng thao tác ngược lại của lớp chập hoặc lớp gộp đối với lượng thông tin đã giảm

Nhìn chung, CNN thường yêu cầu một lượng lớn dữ liệu huấn luyện [3] và việc xây dựng mô tỷ lệ cá cược bóng đá trực tuyến dự đoán đòi hỏi chi phí tính toán rất lớn Do đó, để sử dụng hiệu quả CNN với lượng dữ liệu huấn luyện cần thiết ở mức tối thiểu, các tác giả đã xem xét phương pháp lựa chọn dữ liệu huấn luyện phù hợp bằng cách sử dụng bộ mã hóa tự động biến thiên (VAE) [4] Đầu vào của VAE là hàm khoảng cách có dấu của tỷ lệ cá cược bóng đá trực tuyến dạng mục tiêu và bộ mã hóa (lớp chập) ở phía đầu vào giống như của CNN được mô tả ở trên Bộ giải mã ở phía đầu ra sử dụng lớp được kết nối đầy đủ, không giống như CNN đã đề cập ở trên và sử dụng tọa độ tỷ lệ cá cược bóng đá trực tuyến dạng được khôi phục bởi các biến tiềm ẩn được trích xuất từ bộ mã hóa làm đầu ra của VAE

Đầu tiên, hãy tạo VAE bằng cách sử dụng tất cả dữ liệu huấn luyện (ở đây là 100 tỷ lệ cá cược bóng đá trực tuyến) Hàm mất VAE là lỗi giữa tọa độ tỷ lệ cá cược bóng đá trực tuyến dạng chính xác được cung cấp dưới dạng dữ liệu huấn luyện và tọa độ tỷ lệ cá cược bóng đá trực tuyến dạng đầu ra của VAE Tiếp theo, chúng tôi sử dụng lại bộ mã hóa VAE cho CNN và xây dựng bộ giải mã CNN Hàm mất CNN là lỗi giữa trường luồng chính xác được cung cấp dưới dạng dữ liệu huấn luyện (trong trường hợp này, được dự đoán bởi Động lực học chất lỏng tính toán (CFD)) và đầu ra trường luồng của CNN Ở đây, chúng ta sẽ so sánh trường hợp sử dụng tất cả 100 tỷ lệ cá cược bóng đá trực tuyến làm dữ liệu huấn luyện cho CNN và trường hợp loại bỏ 20 tỷ lệ cá cược bóng đá trực tuyến gần nhau trong không gian biến tiềm ẩn (trong trường hợp này là hai chiều) được VAE trích xuất từ 100 tỷ lệ cá cược bóng đá trực tuyến (tức là sử dụng 80 tỷ lệ cá cược bóng đá trực tuyến)

So sánh trường luồng được CNN dự đoán với tỷ lệ cá cược bóng đá trực tuyến dạng khác với dữ liệu huấn luyện, chúng tôi đã thu được kết quả dự đoán phi vật lý trong đó một phần của luồng sẽ đi vào bên trong cánh máy bay khi tất cả dữ liệu huấn luyện được sử dụng Mặt khác, khi loại bỏ dữ liệu huấn luyện tương tự bằng VAE, sẽ thu được kết quả dự đoán chính xác về mặt vật lý với sai số bình phương trung bình nhỏ hơn từ câu trả lời đúng Từ những điều trên, người ta đã chứng minh rằng việc đưa dữ liệu tương tự vào dữ liệu huấn luyện có tác động ngược lại đến độ chính xác dự đoán của CNN và việc đảm bảo tính đồng nhất của dữ liệu ngay cả khi phải hy sinh kích thước của dữ liệu huấn luyện sẽ hiệu quả hơn trong việc cải thiện độ chính xác dự đoán của CNN Hơn nữa, những cải thiện về độ chính xác dự đoán của CNN cũng đã được xác nhận đối với các tỷ lệ cá cược bóng đá trực tuyến dạng khác và nó cũng cho thấy rằng việc đảm bảo tính đồng nhất của dữ liệu huấn luyện là rất quan trọng đối với hiệu suất khái quát hóa của CNN [5]

2 Phương pháp thích ứng học tập trong các mô tỷ lệ cá cược bóng đá trực tuyến học máy dựa trên thông tin vật lý

Các mô tỷ lệ cá cược bóng đá trực tuyến máy học thông thường, bao gồm cả CNN nói trên, yêu cầu dữ liệu đào tạo Trong nhiều trường hợp CNN được áp dụng để dự đoán trường dòng chảy, dữ liệu huấn luyện cho CNN được tạo bởi CFD Tuy nhiên, chi phí tính toán CFD thường cao nên việc tạo dữ liệu huấn luyện không hề dễ dàng Ngoài ra, do độ chính xác của CFD, một phương pháp giải rời rạc, được kế thừa thông qua dữ liệu huấn luyện, nên kết quả dự đoán của CNN sẽ gián tiếp bao gồm lỗi rời rạc hóa của CFD

Do đó, chúng tôi sẽ tập trung vào ``Mạng thần kinh thông tin vật lý (PINN)'' [6], đã được đề xuất như một mô tỷ lệ cá cược bóng đá trực tuyến học máy cải tiến không yêu cầu dữ liệu đào tạo PINN là một NN dự đoán các đại lượng vật lý chất lỏng tại các tọa độ tùy ý trong miền phân tích và được xây dựng bằng cách sử dụng hàm mất mát giúp giảm thiểu phần dư của các phương trình điều chỉnh (chẳng hạn như phương trình Navier–Stokes) mà trường dòng chảy phải đáp ứng và phần dư của các điều kiện biên (chẳng hạn như không trượt trên tường) Số hạng vi phân có trong phương trình điều chỉnh được tìm ra bằng phương pháp phân tích bằng cách tự động phân biệt đầu ra của NN với đầu vào (liên tục vi phân dọc theo từng đường dẫn của NN), vì vậy về nguyên tắc, PINN có thể dự đoán các trường luồng mà không cần dựa vào sự rời rạc hóa

Sau đây, chúng tôi sẽ giới thiệu một ví dụ về cách sử dụng PINN để dự đoán trường dòng chảy có lớp ranh giới tầng phát triển từ cạnh đầu của một tấm phẳng Hàm mất PINN lấy mẫu vô số điểm trong miền phân tích và cộng phần dư được tính toán tại mỗi điểm mẫu tại tất cả các điểm Nếu số lượng mẫu được sử dụng trong PINN và kích thước mạng không đủ lớn thì PINN không thể nắm bắt chính xác các đặc điểm của trường dòng chảy [7] Điều này cũng khiến thời gian học của PINN tăng lên Ngoài ra, kết quả dự đoán của PINN thay đổi nhạy cảm với mật độ mẫu và cần đặt mẫu một cách chính xác ở những khu vực có đại lượng vật lý thay đổi cục bộ và nhanh chóng, chẳng hạn như các điểm trì trệ và các lớp biên [8]

Do đó, các tác giả đã xem xét ``lấy mẫu thích ứng không gian'', một phương pháp sắp xếp các mẫu một cách thích ứng trong khu vực phân tích trong khi vẫn duy trì tổng số điểm mẫu được sử dụng để đánh giá hàm mất mát Đầu tiên, chúng tôi đặt ngẫu nhiên các mẫu trong miền phân tích và tính phần dư của phương trình điều chỉnh cho đầu ra của PINN tại mỗi điểm trong mẫu Tiếp theo, các điểm mẫu mới được thêm vào (ngẫu nhiên trong một tỷ lệ cá cược bóng đá trực tuyến cầu có bán kính là khoảng cách đến điểm mẫu khác gần nhất) xung quanh các điểm mẫu có phần dư được tính toán vượt quá một ngưỡng nhất định Hơn nữa, để giữ tổng số điểm mẫu không đổi, chúng tôi loại bỏ ngẫu nhiên cùng số lượng điểm mẫu khỏi toàn bộ khu vực phân tích khi chúng tôi thêm chúng Điều này giúp có thể tập trung mẫu vào các khu vực có vấn đề về độ chính xác dự đoán của PINN và dự kiến sẽ cải thiện độ chính xác dự đoán của PINN Các tác giả cũng xem xét "trọng số thích ứng với kỷ nguyên", một phương pháp đánh giá một cách thích ứng việc giảm thiểu từng phần dư theo kích thước của từng phần dư của phương trình quản lý và các điều kiện biên được tính toán ở mỗi lần lặp (epoch) trong quá trình học PINN

Dự đoán PINN thông thường sử dụng các mẫu đồng nhất không thể nắm bắt chính xác những thay đổi nhanh chóng về đại lượng vật lý chất lỏng xảy ra gần tấm phẳng, chẳng hạn như khi điểm ngưng trệ di chuyển ra khỏi cạnh đầu và lớp ranh giới dày lên Tiếp theo, PINN với “lấy mẫu thích ứng không gian”, theo sau là “trọng số thích ứng kỷ nguyên” sẽ di chuyển vị trí điểm trì trệ đến gần cạnh đầu hơn, nhưng vẫn dự đoán lớp ranh giới dày hơn Mặt khác, PINN, đã thay đổi thứ tự thích ứng và áp dụng ``lấy mẫu thích ứng không gian'' sau ``trọng số thích ứng kỷ nguyên'', đã có thể dự đoán trường dòng chảy chính xác về mặt vật lý Trong khi "lấy mẫu thích ứng không gian" là một quy trình thích ứng dựa trên thông tin cục bộ, thì "trọng số thích ứng kỷ nguyên" có thể nói là một quy trình thích ứng toàn cầu dựa trên thông tin từ toàn bộ miền phân tích của hàm mất mát Do đó, người ta cho rằng có thể tránh được tình trạng trì trệ học tập (lời giải tối thiểu cục bộ của hàm mất mát) một cách hiệu quả hơn bằng cách áp dụng thích ứng toàn cục và sau đó chuyển sang thích ứng cục bộ [9]

Tài liệu tham khảo

[1] Cybenko, G: Xấp xỉ bằng sự chồng chất của hàm sigmoidal Toán điều khiển, tín hiệu và hệ thống, 2: 303–314 (1989)
[2] Fukami, K, Nabae, Y, Kawai, K, Fukagata, K: Máy tạo dòng chảy rối tổng hợp sử dụng máy học Chất lỏng đánh giá vật lý, 4: 064603 (2019)
[3] Guo, X, Li, W, Iorio, F: Mạng nơ ron tích chập để xấp xỉ dòng ổn định Kỷ yếu của Hội nghị quốc tế ACM SIGKDD lần thứ 22 về khám phá tri thức và khai thác dữ liệu: 481–490 (2016)
[4] Masashio Taniguchi, Kohei Shintani, Hiroyoshi Onodera, Noriko Otsuka, Tadanori Katsuhara: Phát triển công nghệ tạo tỷ lệ cá cược bóng đá trực tuyến 3D sử dụng VAE và ứng dụng vào phân tích CAE Giao dịch của Hiệp hội Kỹ sư Ô tô Nhật Bản, 54 (5): 1074–1079 (2023)
[5] Saito, R, Shimoyama, K: Ảnh hưởng của dữ liệu huấn luyện đến độ chính xác của trường dòng chảy được dự đoán bởi mô tỷ lệ cá cược bóng đá trực tuyến mạng thần kinh được giám sát Hội nghị Kỹ thuật Nhiệt và Chất lỏng JSME-KSME lần thứ 11 (2025)
[6] Raissi, M, Perdikaris, P, Karniadakis, GE: Mạng lưới thần kinh dựa trên vật lý: Một khung học sâu để giải các bài toán thuận và nghịch liên quan đến các phương trình vi phân từng phần phi tuyến Tạp chí Vật lý tính toán, 378: 686–707 (2019)
[7] Ang, E, Ng, BF: Mạng lưới thần kinh được thông tin bằng vật lý về dòng chảy xung quanh cánh máy bay Diễn đàn và Triển lãm Khoa học và Công nghệ AIAA 2022 (AIAA SciTech 2022): AIAA 2022-0187 (2022)
[8] Takaaki Yamaoka, Keita Okuhara, Koji Shimoyama: Đề xuất phương pháp phân tích chất lỏng sử dụng mạng đa nơ-ron phân đoạn vùng dựa trên thông tin vật lý Hội nghị thường niên của Hiệp hội Cơ học Chất lỏng Nhật Bản 2024 (2024)
[9] Yoshida, S, Shimoyama, K: Cải thiện độ chính xác của dự đoán trường dòng chảy bằng mạng nơ-ron thông tin vật lý với lấy mẫu thích ứng với không gian và trọng số thích ứng kỷ nguyên Hội nghị Kỹ thuật Nhiệt và Chất lỏng JSME-KSME lần thứ 11 (2025)

Giới thiệu tác giả

Giáo sư, Khoa Cơ khí, Trường Cao học Kỹ thuật, Đại học Kyushu

Giáo sư, Khoa Cơ khí, Trường Cao học Kỹ thuật, Đại học Kyushu Thành viên Hiệp hội Kỹ sư Cơ khí Nhật Bản Giám đốc ``Nhóm nghiên cứu mô tỷ lệ cá cược bóng đá trực tuyến thay thế kết nối toán học với hoạt động trí tuệ'', Ban Cơ học tính toán, Hiệp hội kỹ sư cơ khí Nhật Bản
Có kinh nghiệm nghiên cứu ở nước ngoài tại Đại học Stanford ở Mỹ và École Centrale Lyon ở Pháp Giáo sư phụ trợ, Viện Công nghệ Bandung, Indonesia
Trở thành vị trí hiện tại vào năm 2023 sau khi giữ chức vụ trợ lý giáo sư và phó giáo sư tại Viện Khoa học Chất lỏng, Đại học Tohoku Chuyên về kỹ thuật chất lỏng, kỹ thuật thiết kế, kỹ thuật hàng không vũ trụ và khoa học dữ liệu Sở thích của tôi là trượt tuyết

Thiết kế phần mềm khám phá không gian pSeven Desktop sử dụng tính năng tối ưu hóa/máy học

Giảm tất cả thời gian thực hiện thiết kế với pSeven Desktop Giảm bớt công việc tẻ nhạt và tự động hóa CAD, CAE, dữ liệu và quy trình Công cụ tự động hóa mạnh mẽ và AI độc đáo của pSeven Desktop cho phép bạn khám phá các điều kiện thiết kế tối ưu một cách hiệu quả

Nền tảng Citrine, nền tảng AI giúp tăng tốc thiết kế vật liệu

Nền tảng Citrine là giải pháp tin học vật liệu tận dụng AI để đẩy nhanh quá trình phát triển sản phẩm và hướng dẫn các chiến lược R&D của công ty đến thành công Bằng cách sử dụng cách tiếp cận hướng tới giải pháp tối ưu bằng cách lặp lại các dự đoán và thử nghiệm bằng mô tỷ lệ cá cược bóng đá trực tuyến AI, có thể đạt được các đặc điểm mục tiêu chỉ với một số lượng nhỏ thử nghiệm