Videnskab
 science >> Videnskab >  >> Andet

Forenklet, forbedret præstationsforudsigelse for komplekse systemer

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:

  • reduceret en 20-dimensionel model til 1-dimension.
  • reducerede fejlprocenten (sammenlignet med en standard NN) fra 35,1 % til 1,6 %.

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.


Varme artikler