使用深度强化学习进行噪声减轻结构的自主设计

科学领域:

• 计算工程是指计算机工程.
• 声学超材料是一种声学超材料.
• 机器学习 机器学习

背景情况:

• 设计有效的降噪结构往往需要广泛的模拟和事先的知识.
• 结构设计的传统深度学习方法通常需要标记数据,这限制了它们的适用性.
• 自主设计为发现新型声学解决方案提供了潜在的解决方案.

研究的目的:

• 探索深度强化学习 (DRL) 的应用,用于噪音减轻结构的自主设计.
• 调查深度Q网络和双深度Q网络在实现宽带噪声减轻方面的有效性.
• 证明DRL算法在不同的声环境 (反射和传输) 中的概括性.

主要方法:

• 使用深度Q网络 (DQN) 和双深度Q网络 (DDQN) 来优化材料分布.
• 使用基于像素的输入用于DDQN,在没有先前知识的情况下学习降噪策略.
• 实现统一的超参数和网络架构,以解决反射和传输问题.
• 将DRL算法的性能与遗传算法的性能进行比较.

主要成果:

• 在不需要标记数据的情况下,DDQN成功学习了用于宽带降噪的材料分布.
• DRL方法在不同的声环境 (传输和反射) 中显示了可通用性.
• 与遗传算法进行比较表明,在复杂的场景中,一般化设计的可能性很大,尽管DRL显示出趋向于局部最大值的趋势.

结论:

• 使用DRL,特别是DDQN的自主设计提供了一种强大的,无知识的方法来创建减噪结构.
• 该方法对声学的普遍学习有希望,可以适应各种形状和环境.
• 进一步的研究可以探索超参数优化和局部最大值预测的缓解,以提高性能.