Simulering af forudsigelse af knockdown-faktor for en sammensat skal (venstre), og lagstakken af kompositten (højre). Kredit:Oak Ridge National Laboratory
Forskere fra Oak Ridge National Laboratory udviklede en ny design- og træningsstrategi for reversible ResNets, der reducerer dimensionaliteten af højdimensionelle maskinlæringsmodeller til komplekse fysiske systemer.
Udvikling af reducerede modeller af komplekse fysiske systemer er beregningsmæssigt dyrt. ORNL-forskere har udviklet en neural netværksbaseret tilgang, der reducerer antallet af input, der er nødvendige for at udvikle disse modeller og, i forlængelse heraf, kompleksiteten af HPC-applikationer. Holdets metode:
Inputreduktion opnås ved at anvende resterende neurale netværk, eller ResNets, som bruger genveje til at omgå lag. ORNL-teamets tilgang kan bruges til en bred vifte af applikationer (og endda eksperimentelle data), såsom holdets acceleration af designprocessen af flerlags kompositskaller (som bruges i trykbeholdere, reservoirer og tanke, og raket- og rumfartøjsdele) ved at bestemme optimale lagvinkler.
Forskerne arbejder i øjeblikket på at skalere algoritmen op til ORNL's Summit supercomputer, i øjeblikket verdens mest magtfulde.