Can Graph Neural Networks Help Identify Promising Thermal Management System Architectures Among Vast Numbers of Possibilities?
Notice bibliographique
Résumé
Abstract The more efficient a thermal management system must be across a diverse range of conditions, the greater the intricacy of its design is required. Yet, the computational bottlenecks of enumerating and analyzing potential system architectures often render the best solutions impractical. This study evaluates the feasibility of accelerating system architecture performance evaluation by leveraging graph neural network (GNN)-based regression as a cost-effective alternative to traditional open-loop optimal control (OLOC) analysis. We examine a case study where enumerating all possible system architectures is computationally feasible, but directly analyzing the performance of each is not. Instead, we analyze a small subset of architectures and use these data to train a generalizable surrogate model capable of evaluating the remaining architectures within the available computational budget. After the training, the predicted performance values are sorted to obtain the estimated best configurations. Then, there are two options: (1) select the highest-ranked configuration as the optimal solution or (2) choose a small subset of test data with the highest estimated ranks and evaluate them using OLOC to get a more accurate result for the correct optimal configuration. Our results show that training a GNN with approximately 30% of the architectures was sufficient to predict the performance of the remaining 70% with an average mean squared error (MSE) loss of 0.6, achieving a 92% reduction in computational cost overall.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».