WARP: A Benchmark for Primal-Dual Warm-Starting of Interior-Point Solvers
Pravah
本文提出 WARP 基准测试,用于评估内点法的 primal-dual 预热方法。通过对比传统预热方法,发现仅使用 primal 预热无法有效减少迭代次数,而采用 full primal-dual-barrier 状态可显著降低迭代次数。
2026-05-07 cs.AI cs.LG cs.SY
Optimal Power Flow Based on Physical-Model-Integrated Neural Network with Worth-Learning Data Generation
快速、可靠的最优潮流求解方法正引起人们极大的研究兴趣。神经网络(NN)求解器作为基于物理模型的最优潮流求解器的替代,可以加快求解过程。然而,当训练数据集不具有代表性时,它们对于“看不见的”输入可能是不可靠的。提高神经网络求解器的训练数据集的代表性是必不可少的,但在文献中没有得到很好的研究。为了应对这一挑战,我们提出了一个OPF求解器的基础上的物理模型集成神经网络与学习数据生成。所设计的神经网络是一个传统的多层感知器(MLP)和OPF模型模块的组合,它不仅输出的最优决策变量的OPF问题,但约束违反程度。基于该神经网络,该方法可以识别出神经网络不能很好泛化的可行样本。通过迭代地应用该方法并在训练集中包括新识别的学习样本,可以显著增强训练集的代表性。因此,可以显著地提高NN求解器的解的可靠性。实验结果表明,所提出的方法导致超过50%的约束违反和最优性损失相比,传统的神经网络求解器减少。
2023-01-10 cs.LG cs.SY eess.SP
CANOS: A Fast and Scalable Neural AC-OPF Solver Robust To N-1 Perturbations
Google DeepMind(谷歌DeepMind)
本研究提出CANOS,一种基于图神经网络的快速可扩展AC-OPF求解器,能在毫秒级时间内预测接近最优的解,并对N-1拓扑扰动具有鲁棒性,为更复杂的OPF问题高效优化铺平道路。
2024-03-26 cs.LG
Unsupervised Deep Learning for AC Optimal Power Flow via Lagrangian Duality
University of California, Santa Cruz(加州大学圣克鲁兹分校)
非凸交流最优潮流是电力系统分析中的一个基本优化问题。传统求解器的计算复杂度通常很高,不适合实时操作的大规模网络。因此,基于深度学习的方法已经得到了广泛的关注,可以离线进行耗时的训练过程。监督学习方法可以产生一个可行的AC-OPF解决方案,具有小的最优性差距。然而,它们通常需要传统的求解器来生成训练数据集。提出了一种基于端到端无监督学习的AC-OPF框架。我们开发了一个深度神经网络来输出部分决策变量集,而其余变量则通过求解交流潮流方程来恢复。采用快速解耦潮流算法进一步减少计算时间。此外,我们建议使用修改的增广拉格朗日函数作为训练损失。根据约束违反的程度动态调整乘数。大量的数值试验结果证实了我们所提出的方法的优势,一些现有的方法。
2022-12-07 cs.LG cs.SY eess.SY
Scalable Self-Supervised Learning for Multiphase AC-OPF in Distribution Systems with Topology Reconfiguration
Massachusetts Institute of Technology(麻省理工学院);GE Vernova Advanced Research Center(GE Vernova先进研究中心)
该研究提出Penalty+SLFS自监督学习算法,用于含拓扑重构的配电网多相AC-OPF,在IEEE馈线上比IPOPT快三个数量级,实现可忽略最优间隙与近零约束违反,为大规模配电网实时AC-OPF提供可行方案。
2026-09-03 cs.LG cs.SY eess.SY
Reduced Optimal Power Flow Using Graph Neural Network
University of Houston(休斯顿大学)
本文提出用图神经网络预测关键线路,构建简化最优潮流(ROPF)问题,在保持解质量的同时显著降低计算时间。
2022-06-27 cs.LG cs.SY eess.SY
Spatial Network Decomposition for Fast and Scalable AC-OPF Learning
Georgia Institute of Technology(佐治亚理工学院)
本文提出了一种新的机器学习方法来预测AC-OPF解决方案,具有快速和可扩展的训练。它的动机是两个关键因素:(1)拓扑优化和可再生能源引起的随机性可能导致根本不同的AC-OPF实例;以及(2)现有机器学习方法预测AC-OPF所需的大量训练时间。所提出的方法是一个2阶段的方法,利用被视为一组区域的电力网络的空间分解。第一阶段学习预测耦合区域的总线和线路上的流量和电压,第二阶段并行训练每个区域的机器学习模型。在法国输电系统(多达6,700辆公交车和9,000条线路)上的实验结果证明了该方法的潜力。在很短的训练时间内,该方法预测AC-OPF解决方案具有非常高的保真度和轻微的约束违反,产生显着的改进,在国家的最先进的。结果还表明,预测可以种子潮流优化返回一个可行的解决方案内的AC-OPF目标的0.03%,同时减少运行时间显着。
2021-01-17 cs.AI cs.LG cs.SY
Unified Heterogeneous Graph Neural Network solver for Power Flow, Optimal Power Flow and State Estimation
本文提出一种统一异构残差门控图卷积网络,通过共享主干同时求解潮流、最优潮流和状态估计,在IEEE 14和118节点系统上达到与专用求解器相当的精度,并具备鲁棒性,为电力系统基础模型奠定基础。
2026-09-16 cs.LG cs.SY eess.SY
Learning Optimal Solutions for Extremely Fast AC Optimal Power Flow
National Renewable Energy Laboratory(国家可再生能源实验室);University of Colorado Boulder(科罗拉多大学博尔德分校)
在本文中,我们开发了一种在线方法,该方法利用机器学习来获得AC最优潮流(OPF)问题的可行解,在极快的时间尺度上具有可忽略的最优性间隙(例如,毫秒),完全绕过求解AC OPF。这是由以下事实推动的:随着电网经历越来越多的可再生发电量、可控负载和其他逆变器接口设备,可能发生更快的系统动态和更快的电力供应波动。目前,电网运营商通常每15分钟求解一次AC OPF,以确定经济的发电机设置,同时确保满足电网约束。由于解决这个非凸问题的计算挑战,许多努力都集中在线性化或近似的问题,以解决更快的时间尺度上的AC OPF。然而,这些近似中的许多可能是实际系统状态的相当差的表示,并且仍然需要解决优化问题,这对于大型网络来说可能是耗时的。在这项工作中,我们利用历史数据来学习系统负载和最佳发电值之间的映射,使我们能够在非常快的时间尺度上找到接近最佳和可行的AC OPF解决方案,而无需实际解决优化问题。
2019-09-27 cs.LG cs.SY eess.SP
Learning to Solve AC Optimal Power Flow by Differentiating through Holomorphic Embeddings
University of Washington(华盛顿大学);Carnegie Mellon University(卡内基梅隆大学)
交流最优潮流(AC-OPF)是电力系统运行的基本问题之一。AC-OPF传统上被视为一个约束优化问题,该问题在满足一组非线性等式约束(潮流方程)的同时寻求最优发电设定点。随着可再生能源发电的普及,电网运营商需要以更短的时间间隔解决更大的问题。这激发了研究兴趣,学习OPF解决方案与神经网络,具有快速的推理时间,并有可能扩展到大型网络。解决AC-OPF问题的主要困难在于处理具有伪根的等式约束,即存在满足功率流方程的电压分配,然而这些电压分配在物理上是不可实现的。这个属性使得任何依赖于投影梯度的方法都很脆弱,因为这些非物理根可以充当吸引子。在本文中,我们展示了有效的策略,绕过这个问题,通过一个潮流求解器,嵌入到一个全纯函数的潮流方程的操作区分。由此产生的基于学习的方法在200总线系统上进行了实验验证,我们表明,经过训练,学习代理可靠,快速地产生优化的潮流解决方案。具体来说,我们报告了12倍的速度和40%的鲁棒性增加相比,传统的求解器。据我们所知,这种方法构成了第一个基于学习的方法,成功地尊重完整的非线性AC-OPF方程。
2020-12-16 cs.LG cs.SY eess.SY
Power grid operational risk assessment using graph neural network surrogates
Vanderbilt University(范德堡大学)
研究利用图神经网络作为最优潮流和安全约束机组组合算法的代理模型,通过蒙特卡洛抽样生成训练数据,实现电网运行风险的快速准确量化,结果表明该方法在实时和提前数小时风险评估中具有应用潜力。
2023-11-21 cs.LG cs.SY eess.SY
A Physics-Informed Machine Learning for Electricity Markets: A NYISO Case Study
本文提出 PIMA-AS-OPF 物理信息机器学习方法,通过全连接神经网络预测主动约束与削减量,将最优潮流优化简化为线性方程组高效求解,在 NYISO 系统上验证了准确性与可扩展性。
2023-03-31 cs.LG cs.SY eess.SY
Machine Learning for Electricity Market Clearing
University of Arizona(亚利桑那大学);New York University(纽约大学)
本文旨在设计一个机器学习孪生的最优潮流(OPF)优化,这是用于电力批发市场的市场出清程序。所提出的方法的动机源于需要获得数字孪生,这是比原来快得多,同时也足够准确,并产生一致的发电调度和位置边际价格(LMP),这是原始和对偶解决方案的OPF优化,分别。基于这种方法的市场出清工具的可用性将使在给定的机组承诺下的多个调度方案的计算易处理的评估。而不是直接解决的OPF,Karush-Kuhn-Tucker(KKT)条件的问题的OPF问题可以写,并在并行的发电机和负载的LMP可以表示在OPF拉格朗日乘子。此外,利用与线路相关的许多拉格朗日乘数将为零(热限制不具有约束力)的实际事实,我们构建并训练了一个ML方案,该方案将灵活的资源(负载和可再生能源)映射到绑定线路,并补充了一个高效的电网感知线性映射,以实现最佳调度和LMP。IEEE模型验证和说明该计划。我们还报告了一个贸易分析之间的质量重建和样本数量需要训练模型。
2022-05-23 cs.LG cs.SY eess.SY
Residual Correction Models for AC Optimal Power Flow Using DC Optimal Power Flow Solutions
Sustainable Energy Institute University of Colorado Boulder(可持续能源研究所 美国科罗拉多大学博尔德分校)
提出以DC OPF解为基线、用拓扑感知GNN学习非线性残差校正的AC OPF方法,在多母线系统上显著降低误差并最高加速13倍。
2025-10-17 cs.AI cs.LG cs.SY
DeepOPF-U: A Unified Deep Neural Network to Solve AC Optimal Power Flow in Multiple Networks
The Chinese University of Hong Kong(香港中文大学)
本文提出统一深度神经网络 DeepOPF-U,通过弹性输入输出层设计,使单一模型能够求解拓扑和规模不断扩展的多个交流最优潮流问题,并在 IEEE 标准测试系统上验证了其优于现有 DNN 方法的性能。
2023-09-22 cs.LG cs.SY eess.SY
Reinforcement Learning for Battery Energy Storage Dispatch augmented with Model-based Optimizer
Washington State University(华盛顿州立大学)
强化学习已被发现在解决电力分配系统中的最优潮流(OPF)问题中是有用的。然而,使用完全忽略基于物理的电网建模的基本上无无模型强化学习算法会损害优化器性能并带来可扩展性挑战。本文提出了一种新的方法,协同结合基于物理的模型和基于学习的算法,使用模仿学习来解决分布级的最优潮流问题。具体而言,我们提出了基于模仿学习的改进深度强化学习(DRL)方法,以解决配电系统中电池存储调度的特定情况下的OPF问题。提出的模仿学习算法使用从线性化的基于模型的OPF求解器获得的近似最优解,为DRL算法提供良好的初始策略,同时提高训练效率。所提出的方法的有效性证明了使用IEEE 34总线和123总线配电馈线与众多的分布式级电池存储系统。
2021-09-02 cs.AI cs.LG cs.SY
DeepOPF: A Feasibility-Optimized Deep Neural Network Approach for AC Optimal Power Flow Problems
The Chinese University of Hong Kong(香港中文大学);City University of Hong Kong(香港城市大学);California Institute of Technology(加州理工学院)
可再生能源发电的高百分比渗透给电力系统带来了显著的不确定性。输电网和配电网的经济、可靠运行要求电网运营商更频繁地求解交流最优潮流问题。在本文中,我们开发了一种称为DeepOPF的深度神经网络(DNN)方法,用于在传统求解器使用的一小部分时间内解决AC-OPF问题。应用机器学习技术解决AC-OPF问题的一个关键困难在于确保获得的解决方案尊重等式和不等式物理和操作约束。推广了[1],[2]中的两阶段过程,DeepOPF首先训练DNN模型来预测一组独立的操作变量,然后通过求解潮流方程直接计算剩余的可靠变量。这种方法不仅保留了功率流平衡等式约束,而且减少了DNN预测的变量数量,减少了所需的神经元和训练数据的数量。然后,DeepOPF在训练过程中采用零阶梯度估计技术的惩罚方法来保留剩余的不等式约束。作为另一个贡献,我们根据所需的近似精度来调整DNN的大小,这可以衡量DNN的泛化能力。这为DNN解决AC-OPF问题提供了理论依据。IEEE 30/118/300节点和2000节点的仿真结果表明,与最先进的求解器相比,DeepOPF将计算时间加快了两个数量级,代价是$<$ 0.1%的成本差异。
2022-07-01 cs.LG cs.SY eess.SY
A Meta-Learning Approach to the Optimal Power Flow Problem Under Topology Reconfigurations
University of Warwick(华威大学);Princeton University(普林斯顿大学)
近年来,人们对采用深度神经网络(DNN)来解决电力系统中的最优潮流(OPF)问题产生了浓厚的兴趣。与使用传统的优化求解器相比,使用经过训练的DNN计算最佳发电调度决策所需的时间显著减少。然而,现有工作的一个主要缺点是,机器学习模型是针对特定的系统拓扑结构进行训练的。因此,DNN预测只有在系统拓扑保持不变的情况下才有用。对系统拓扑的改变(由系统操作员发起)将需要重新训练DNN,这引起显著的训练开销并且需要大量的训练数据(对应于新的系统拓扑)。为了克服这个缺点,我们提出了一个基于DNN的OPF预测器,使用元学习(MTL)方法进行训练。这种方法背后的关键思想是找到一个通用的初始化向量,可以快速训练任何系统拓扑。开发的OPF预测器通过使用IEEE总线系统的基准仿真进行验证。结果表明,MTL方法实现了显着的训练速度的提升,只需要几个梯度步骤与少量的数据样本,以实现高的OPF预测精度。
2021-09-27 cs.LG cs.SY eess.SY
Optimal Power Flow in Highly Renewable Power System Based on Attention Neural Networks
Frankfurt Institute for Advanced Studies(法兰克福高等研究所);Goethe University Frankfurt(法兰克福大学);Xidian-FIAS International Joint Research Center(西安电子科技大学-法兰克福高等研究所国际联合研究中心);Xidian University(西安电子科技大学);Aarhus University(奥胡斯大学);GSI Helmholtzzentrum für Schwerionenforschung(GSI亥姆霍兹重离子研究中心)
针对高可再生能源电力系统最优潮流(OPF)求解难题,提出基于注意力机制的物理信息机器学习方法,利用模仿学习与欧洲历史天气数据直接映射电力需求、天气与发电调度的关系,规避传统迭代求解,实现高效实时OPF求解。
2023-11-23 cs.LG cs.SY eess.SY
Homotopy-Guided Self-Supervised Learning of Parametric Solutions for AC Optimal Power Flow
University at Buffalo(布法罗大学);Pacific Northwestern National Lab(太平洋西北国家实验室);Carnegie Mellon University(卡内基梅隆大学);John Hopkins University(约翰霍普金斯大学)
针对AC-OPF非凸性导致标准L2O方法难收敛到可行高质量解的问题,提出同伦引导自监督L2O方法,在IEEE基准上验证其可显著提升可行率且目标值媲美专业求解器。
2025-11-11 cs.LG
N-1 Reduced Optimal Power Flow Using Augmented Hierarchical Graph Neural Network
University of Houston(休斯顿大学)
本文提出增强层次图神经网络(AHGNN)预测关键拥堵线路,构建N-1简化最优潮流(N-1 ROPF),在保持解质量的同时大幅降低计算时间,案例验证其有效性。
2024-02-09 cs.LG cs.SY eess.SY
Dynamic Domain Adaptation-Driven Physics-Informed Graph Representation Learning for AC-OPF
Southwest Minzu University(西南民族大学);Northeast Electric Power University(东北电力大学);La Trobe University(拉特罗布大学);Institute of Tibetan Plateau Research(青藏高原研究所)
提出DDA-PIGCN方法,结合物理信息约束与动态域适应机制解决AC-OPF约束建模与时空特征融合问题,在多个IEEE标准测试中实现高约束满足率与低误差。
2025-05-31 cs.CV cs.LG
Learning-Accelerated ADMM for Distributed Optimal Power Flow
National Renewable Energy Laboratory(国家可再生能源实验室);University of Colorado at Boulder(科罗拉多大学博尔德分校)
提出了一种新的数据驱动的方法,以加快收敛的交替方向法的乘数(ADMM)求解分布式直流最优潮流(DC-OPF)的线路之间的独立的网络分区共享。该方法利用给定系统在不同负载下ADMM轨迹的先前观测值,训练递归神经网络(RNN)来预测对偶变量和共识变量的收敛值。给出了一种新的系统负载实现,少量的初始ADMM迭代作为输入,以推断收敛值,并直接注入到迭代。我们的经验表明,这些值到ADMM迭代的在线注入加速收敛的分区14,118和2848总线测试系统在不同的负载情况下的一个重要因素。所提出的方法有几个优点:它保持了共识ADMM中固有的私有决策变量的安全性;推理速度快,因此可以用于在线设置; RNN生成的预测可以显着提高收敛时间,但通过构造,永远不会导致不可行的ADMM子问题;它可以很容易地集成到现有的软件实现中。虽然我们专注于ADMM制定分布式DC-OPF在本文中,所提出的想法自然扩展到其他分布式最优化问题。
2020-09-15 cs.LG cs.SY eess.SY
GridSFM: A Foundation Model for Solving AC Optimal Power Flow
Microsoft Research(微软研究院)
GridSFM是一个结合预训练图神经网络与物理信息微调的基础模型,用于大规模求解交流最优潮流,在10000节点算例上实现2.45%零样本误差,并仅用100个实例适应新电网,优于专用模型。
2026-10-08 cs.LG cs.SY eess.SY
Residual Power Flow for Neural Solvers
Delft University of Technology(代尔夫特理工大学);Austrian Institute of Technology(奥地利技术研究所)
本文提出残差功率流方法,利用神经求解器提高学习性能和任务灵活性,适用于电力系统优化与模拟。
2026-01-14 cs.LG cs.SY eess.SY
An Efficient Learning-Based Solver for Two-Stage DC Optimal Power Flow with Feasibility Guarantees
Microsoft Research Asia(微软亚洲研究院);Base Power(贝斯电力公司);University of Washington(华盛顿大学)
针对负荷不确定下两阶段随机直流最优潮流的计算难题,提出融入gauge map技术的学习方法,保证解的网络约束可行性,在IEEE系统上实现了解的高质量与计算速度的数量级提升。
2024-09-16 cs.LG cs.SY eess.SY
Predicting AC Optimal Power Flows: Combining Deep Learning and Lagrangian Dual Methods
Georgia Institute of Technology(佐治亚理工学院);Syracuse University(雪城大学)
最优潮流(OPF)问题是电力电力系统优化的基本组成部分。它是非线性和非凸的,并计算发电机的功率和电压设定点,给定一组负载需求。无论是在实时研究中还是在大规模研究中,常常需要在各种条件下反复求解。由于电表前后的可再生能源,电力系统的随机性不断增加,这一需求进一步加剧。为了应对这些挑战,本文提出了一种OPF的深度学习方法。该学习模型利用了系统的先验状态(在实际应用中通常可用)中可用的信息,以及双拉格朗日方法来满足OPF中存在的物理和工程约束。所提出的模型进行了评估,对大量的现实电力系统。实验结果表明,该方法预测精度高,平均误差低至0.2%。此外,所提出的方法被证明可以提高广泛采用的OPF线性直流近似的精度至少两个数量级。
2019-12-03 cs.AI cs.LG eess.SP
Towards Distributed Energy Services: Decentralizing Optimal Power Flow with Machine Learning
AI Now Institute at New York University(纽约大学AI现在研究所);Energy & Resources Group at UC Berkeley(伯克利大学能源与资源组)
本文提出了一种基于机器学习的去中心化方法,通过本地可用信息学习可控分布式能源资源(DER)的控制策略,以重构和模仿集中式最优功率流(OPF)问题的解决方案,从而实现分布式能源服务。
2019-08-13 cs.AI cs.IT cs.LG
A Cherry-Picking Approach to Large Load Shaping for More Effective Carbon Reduction
Google(谷歌);Electric Power Engineers(电力工程师公司)
本文提出了一种基于可观察电网信号和历史数据的 cherry-picking 方法,用于优化大规模负载塑形以提高碳减排效果。
2026-11-18 cs.LG cs.SY eess.SY
Controlling Smart Inverters using Proxies: A Chance-Constrained DNN-based Approach
针对配电网中状态不可观测且存在不确定性的逆变器协调问题,本文将 DNN 策略嵌入 OPF,利用平均电压约束与机会约束凸限制进行训练,并提出有梯度和无梯度两种实现。
2021-12-03 cs.LG math.OC
Compact Optimization Learning for AC Optimal Power Flow
Georgia Institute of Technology(佐治亚理工学院)
本文提出紧凑学习方法,利用PCA压缩最优解空间以解决OPF端到端学习中的高维可扩展性问题,大幅减少参数并提升求解效率,其输出可热启动精确求解器恢复可行性。
2023-05-17 cs.LG
Dual Conic Proxy for Semidefinite Relaxation of AC Optimal Power Flow
NSF Artificial Intelligence Institute for Advances in Optimization(NSF人工智能优化先进研究所);Georgia Institute of Technology(佐治亚理工学院)
本文首次提出面向交流最优潮流半定松弛的对偶锥代理,结合神经网络与可微对偶补全保证对偶可行性,并利用自监督学习高效训练,在多个电网基准上以数量级加速超越较弱锥松弛。
2025-05-07 cs.LG math.OC
Refining Graphical Neural Network Predictions Using Flow Matching for Optimal Power Flow with Constraint-Satisfaction Guarantee
Institute for Transportation Research and Education(交通研究与教育研究所);North Carolina State University(北卡罗来纳州立大学)
本文提出结合物理信息图神经网络和连续流匹配的两阶段学习框架,用于解决直流最优功率流问题,实现高效且可行的优化解。
2025-12-11 cs.LG math.OC
FMOPF: Latent Flow Matching with Constraint-Aware Interaction Priors for AC Optimal Power Flow
研究交流最优潮流计算问题,提出FMOPF框架,通过潜在流匹配和解耦压缩与生成,并利用约束感知交互先验网络建模负荷 - 状态耦合,实现有效热启动,降低尾部风险,可扩展到大型系统。
2026-07-28 cs.AI cs.LG stat.ML
Scalable Heterogeneous Graph Foundation Models for Data-Driven Optimal Power Flow in Smart Grids
Computational Sciences and Engineering Division, Oak Ridge National Laboratory(橡树岭国家实验室计算科学与工程部);Mathematics and Computer Science Division, Argonne National Laboratory(阿贡国家实验室数学与计算机科学部);UT-Battelle, LLC(UT-巴特勒公司)
提出基于HydraGNN的可扩展异构图神经网络工作流,用于数据驱动最优潮流代理建模和基础模型开发,保留电网异质结构并支持大规模分布式训练与微调。
2026-09-30 cs.AI cs.LG
The Stabilized Explicit Variable-Load Solver with Machine Learning Acceleration for the Rapid Solution of Stiff Chemical Kinetics
National Energy Technology Laboratory(国家能源技术实验室);Oak Ridge Institute for Science and Education(橡树岭科学与教育研究所)
在这项研究中,介绍了一种在TensorFlow中实现的快速稳定的机器学习混合算法,用于整合刚性化学动力学。微分方程的数值解是计算流体动力学计算的核心。随着模拟的规模和复杂性的增长,对计算能力和时间的需求也在增长。已经做出了许多努力来在GPU上实现刚性化学求解器,但是由于传统刚性求解器算法中的逻辑发散,所以没有非常成功。由于这些限制,一种新的显式稳定变载荷(STEV)求解器已经开发出来。通过引入对每个时间步长的化学物质的最大变化的限制来防止由于相对大的时间步长而导致的超调。为了防止振荡,引入离散傅立叶变换来抑制振铃。与传统的显式方法相比,使用可变负载方法,其中计算域中的每个单元以其独特的时间步长前进。这种方法允许在保持扭曲收敛的同时集成单元,但在不同的迭代中完成并从工作负载中删除。为了提高所引入的求解器的计算性能,使用浅神经网络代替多项式拟合来估计感兴趣的特定热力学量,从而在最小的训练和实施要求下额外节省10%的时钟时间。然而,ML特定的硬件可以将时间节省高达28%。虽然按照现代标准,这些特定机器学习模型的复杂性并不高,但不应忽视对计算效率的影响。结果显示,总化学溶液时间显著减少(超过200倍),同时保持相似的准确度。
2019-06-21 cs.DC cs.GR cs.LG