Stream-Based Active Learning with Cooperative Neural Networks for Data-Efficient Partial Inverse Design: An Automotive Glass Run Channel Case Study

{"tags": ["Active Learning", "Inverse Design", "CoNN-DAE", "Monte Carlo Dropout", "Engineering Simulation", "Data-Efficient ML", "Surrogate Modeling"], "risks": ["Độ trễ và chi phí tính toán khi thực hiện suy luận Monte Carlo dropout trên luồng mẫu ứng viên lớn.", "Hiệu quả trên các hệ thống vật lý phi tuyến phức tạp hoặc cấu trúc 3D chưa được kiểm chứng ngoài ca nghiên cứu rãnh kính.", "Rủi ro thiên lệch chọn mẫu nếu ước tính độ bất định không phản ánh đúng sai số thực của mô phỏng."], "category": "Research", "entities": ["CoNN-AL", "CoNN-DAE", "Monte Carlo dropout", "Automotive glass run channel"], "summary_vi": "Nghiên cứu giới thiệu CoNN-AL, khung thiết kế ngược một phần (partial inverse design) tiết kiệm dữ liệu, kết hợp active learning dạng luồng (stream-based active learning) với mô hình CoNN-DAE. Phương pháp sử dụng Monte Carlo dropout để ước lượng độ bất định theo thời gian thực và chọn lọc mẫu cần chạy mô phỏng tốn kém. Thử nghiệm trên tập dữ liệu rãnh dẫn kính ô tô hơn 900.000 mẫu cho thấy CoNN-AL chỉ cần 20.000 mẫu gán nhãn (~2,3%) để đạt R² từ 0,967 đến 0,982, tiết kiệm 30-40% nhãn so với lấy mẫu ngẫu nhiên và công khai bộ dữ liệu cho cộng đồng.", "key_changes": ["Đề xuất CoNN-AL: tích hợp stream-based active learning vào Cooperative Neural Network with Denoising Autoencoder (CoNN-DAE) cho bài toán partial inverse design.", "Sử dụng Monte Carlo dropout để ước tính độ bất định dự đoán theo thời gian thực nhằm quyết định gán nhãn mẫu có giá trị nhất.", "Đạt R² từ 0,967 đến 0,982 chỉ với 20.000 mẫu được chọn chủ động (~2,3% kho dữ liệu hơn 900.000 mẫu).", "Giảm 30-40% lượng nhãn cần thiết so với lấy mẫu ngẫu nhiên ở các mức khuyết biến khó, đạt R² 0,98 ở kịch bản thử thách nhất.", "Công khai bộ dữ liệu mô phỏng rãnh dẫn kính ô tô gồm hơn 900.000 mẫu phục vụ nghiên cứu thiết kế theo định hướng dữ liệu."], "sub_category": "Active Learning & Engineering Inverse Design", "novelty_score": 78, "business_score": 82, "research_score": 85, "why_it_matters": "Phương pháp giải quyết bài toán nghẽn cổ chai về chi phí và thời gian mô phỏng kỹ thuật số trong thiết kế công nghiệp. Việc cắt giảm 30-40% số lượng mô phỏng đắt đỏ mà vẫn đạt độ chính xác R² lên tới 0,98 giúp doanh nghiệp sản xuất tối ưu chi phí R&D và đẩy nhanh chu kỳ phát triển sản phẩm.", "developer_score": 70, "importance_score": 75, "possible_use_cases": ["Thiết kế ngược linh kiện kỹ thuật ô tô và cơ khí chính xác khi chi phí mô phỏng CAE/FEA đắt đỏ.", "Xây dựng quy trình tối ưu hóa thiết kế khi một số biến số bị cố định hoặc thiếu hụt thông tin.", "Xây dựng pipeline chủ động lựa chọn mẫu mô phỏng tính toán trong các bài toán kỹ thuật công nghiệp."], "actionability_score": 72}