Optimisation algorithms for neural network hydroaeromechanical calculations

Abstract

В работе были реализованы на языке Python и интегрированы в приложение machine-learning-ui для решения задач гидроаэромеханики оптимизационные алгоритмы AdaMod, MADGRAD, Radam, Apollo, AdaHessian, LARS, LAMB с использованием фреймворка TensorFlow. Все алгоритмы были протестированы и сошлись в течение 30 эпох обучения.

Также была решена задача расчета поуровневых коэффициентов скорости колебательных энергообменов с помощью нейросетевой модели с реализованными оптимизационными алгоритмами. Среднеквадратичная ошибка при валидации реализованных оптимизаторов составила от 0,3 до 0,004. Среднее время обучения для всех наборов данных составило менее 15 секунд.

The optimization algorithms AdaMod, MADGRAD, Radam, Apollo, AdaHessian, LARS, LAMB were implemented in Python using the TensorFlow framework and integrated into the machine-learning-ui application for solving hydroaeromechanics problems. All algorithms were tested and converged within 30 training epochs.

The problem of calculating state-to-state coefficients of the rate of vibrational energy exchanges using a neural network model with implemented optimization algorithms was also solved. The root mean square error during validation of the implemented optimizers ranged from 0.3 to 0.004. The average training time for all datasets was less than 15 seconds.