盖世汽车讯 许多工程难题最终都归结于同一个难题——需要调节的旋钮太多，而测试机会却太少。无论是调整电网还是设计更安全的车辆，每一次评估都可能耗费大量成本，而且可能有数百个变量会影响最终结果。以汽车安全设计为例，工程师必须整合数千个零部件，许多设计选择都会影响车辆在碰撞中的表现。传统的优化工具在寻找最佳组合时可能会显得力不从心。

据外媒报道，麻省理工学院（MIT）的研究人员开发了一种新方法，重新思考了如何利用经典的贝叶斯（Bayesian）优化方法来解决包含数百个变量的问题。在电力系统优化等实际工程基准测试中，该方法找到最优解的速度比常用方法快10到100倍。

图片来源：麻省理工学院

麻省理工学院的技术利用了一个基于表格数据训练的基础模型，而该模型能够自动识别对提升性能至关重要的变量，并不断重复此过程以找到更优的解决方案。基础模型是基于庞大的通用数据集训练的大型人工智能系统，从而能够适应不同的应用场景。 

研究人员的表格基础模型无需在求解过程中不断重新训练，从而提高了优化过程的效率。该技术还能显著提升复杂问题的求解速度，因此在材料开发或药物发现等高要求应用中尤为有用。

计算科学与工程专业的硕士研究生、该技术论文的第一作者Rosen Yu表示：“现代人工智能（AI）和机器学习模型可以从根本上改变工程师和科学家创建复杂系统的方式。我们提出了一种算法，它不仅可以解决高维问题，而且可重复使用，因此可以应用于许多问题，而无需从头开始。”

当科学家试图解决一个复杂的问题，但评估成功率的方法却十分昂贵时（例如，通过碰撞测试来评估汽车设计的优劣），他们通常会采用贝叶斯优化方法。这种迭代方法通过构建代理模型来寻找复杂系统的最佳配置，该模型能够帮助预测下一步的探索方向，同时考虑预测的不确定性。

但是，代理模型在每次迭代后都必须重新训练，当潜在解决方案的空间非常大时，计算量会迅速变得难以处理。此外，每当科学家想要处理不同的场景时，就需要从头开始构建新模型。

为了解决这两个不足，麻省理工学院的研究人员采用了一种名为表格基础模型的生成式人工智能系统，作为贝叶斯优化算法中的代理模型。

表格基础模型就像是电子表格版的ChatGPT。这些模型的输入和输出都是表格数据，在工程领域，表格数据比语言更常见、更易使用。

与ChatGPT、Claude和Gemini等大语言模型一样，该模型已在海量表格数据上进行了预训练。这使其能够很好地应对各种预测问题。此外，该模型无需重新训练即可直接部署。

为了提高系统的准确性和优化效率，研究人员采用了一种技巧，使模型能够识别设计空间中对解决方案影响最大的特征。

Rosen Yu表示：“一辆汽车可能有300项设计标准，但如果想提高某些安全性能，并非所有标准都是最佳设计的关键驱动因素。我们的算法可以智能地选择最关键的特征进行重点关注。”它通过使用表格基础模型来估算哪些变量（或变量组合）对结果影响最大。

然后，它将搜索重点放在这些高影响的变量上，而不是浪费时间去平等地探索所有变量。例如，如果前部碰撞吸能区的尺寸显著增加，并且汽车的安全评级有所提高，那么该特征很可能在性能提升中发挥了作用。

研究人员面临的最大挑战之一是找到最适合这项任务的表格基础模型。然后，再将其与贝叶斯优化算法相结合，以便识别出最突出的设计特征。

Rosen Yu表示：“找到最突出的维度是数学和计算机科学中一个众所周知的问题，但找到一种能够利用表格基础模型特性的方法却极具挑战性。”

算法框架搭建完成后，研究人员将他们的方法与五种最先进的优化算法进行了比较，以此来测试他们的方法。

在包括电网设计和汽车碰撞测试等实际场景在内的60个基准问题上，该方法始终比其他算法快10到100倍，能够找到最优解。

Rosen Yu说：“当优化问题的维度越来越高时，我们的算法优势就更加明显了。”

但他们的方法并非在所有问题上都优于基准方法，例如机器人路径规划。余教授表示，这可能表明模型的训练数据中对该场景的定义不够明确。

未来，研究人员希望探索能够提升表格基础模型性能的方法。他们还希望将这项技术应用于具有数千甚至数百万维度的问题，例如海军舰艇的设计。