Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Модель потерь в магнитном сердечнике научили компенсировать нехватку измерений целевого материала данными родственных материалов. В препринте Cong Yao и Chunye Gong, который не прошёл рецензирование, а приведённые числа получены самими авторами, 95-й процентиль относительной ошибки для material D снизился с 20,39% до 12,38%: это порог, в который укладываются ошибки 95% примеров. Результат предлагает менять не архитектуру отдельной модели, а саму схему обучения, если лабораторные данные плохо покрывают рабочие режимы.
Почему выравнивание классов не помогло
Проблема возникла из-за разницы между лабораторными измерениями и реальной эксплуатацией. Материалы обычно характеризуют на синусоидальных и треугольных сигналах, тогда как преобразователи создают трапецеидальные и сформированные широтно-импульсной модуляцией траектории магнитной индукции.
В обучающей части MagNet Challenge трапецеидальные сигналы составляли 1,4% примеров material D, а в тестовой — 16,4%. При этом высокочастотная область тестовой выборки вообще не пересекалась с обучающими примерами этого материала. Такой ковариатный сдвиг означает, что модель должна работать на сочетаниях входных признаков, которых почти не видела при обучении.
Если бы мешал только редкий класс, помогли бы повторение его примеров, повышение их веса или синтетическое расширение выборки. Проверка дала обратный результат: повторение редких трапецеидальных сигналов до доли тестовой выборки увеличило ошибку. Не помогли также непрерывное описание формы сигнала, симметричное преобразование измерений и синтетические метки, рассчитанные по уравнению Steinmetz.
MIST снизил 95-й процентиль ошибки именно на трапецеидальных сигналах с 37,4% до 15,16%. Значит, выигрыш появился не от нового способа повторять старые примеры, а от доступа к измерениям в недостающей области.
Как MIST заимствует диапазон у других материалов
У четырёх родственных ферритов трапецеидальные измерения уже покрывали нужные сочетания частоты и размаха магнитной индукции. Их общий набор содержал 2447 таких примеров, а близкий пример среди родственных материалов нашёлся для 99,3% тестовых трапецеидальных сигналов material D.
MIST обучает одну модель на всех материалах. Общая часть сети восстанавливает напряжённость магнитного поля по траектории индукции, строит петлю гистерезиса и по её площади оценивает объёмные потери. Так общие физические зависимости получают обучение на всём наборе измерений, а не только на данных одного материала.
Чтобы сеть не смешивала разные свойства ферритов, в неё передают идентификатор материала. Механизм FiLM по этому идентификатору отдельно масштабирует и сдвигает внутренние признаки. Нормализация и физические масштабы также остаются разными для каждого материала, поэтому общая модель переносит форму зависимости, но сохраняет различия в уровне потерь.
Material D занимает малую часть общего набора, поэтому его измеренным меткам дают больший вес. После совместного обучения модель не дообучают на его собственной выборке: там почти нет нужных трапецеидальных режимов, и дополнительные шаги возвращают сеть к исходному смещению. Эксперименты с дообучением ухудшили результат тем сильнее, чем больше параметров обновлялось.
Полная модель содержит 2784 параметра и заменяет отдельные сети для каждого материала. Контрольный вариант того же размера, но без идентификатора материала, ошибался примерно на порядок сильнее. Следовательно, результат объясняет не дополнительная ёмкость сети, а явное разделение свойств материалов при общей физической части.
Когда совместное обучение стоит заложить в план
Работа меняет план разработки, если данные собирают для нескольких родственных материалов на одном оборудовании. Вместо последовательного переноса весов с последующим дообучением на целевой выборке стоит проверить, покрывают ли соседние материалы недостающие рабочие режимы. Если покрывают, полезнее обучать общую модель с идентификатором материала и сохранить её без финальной адаптации на смещённых данных.
Практический порядок действий начинается с карты покрытия по физически значимым переменным: частоте, размаху индукции, температуре и форме сигнала. Затем нужно отличить недостаток частоты примеров от отсутствия нужной области. В первом случае помогает балансировка, во втором повторение данных не создаёт новой информации — потребуются совместное обучение или дополнительные измерения.
Проверка охватывает официальный разрез MagNet Challenge, пять ферритов и одну специально созданную дыру в данных material D. Перенос между материалами с другими механизмами потерь, например порошковыми и нанокристаллическими сердечниками, в работе не проверяли. Поэтому MIST даёт основание перестроить обучение внутри семейства близких материалов, но не заменяет отдельную валидацию при переходе между классами.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
