Transformere transport med maskinlæring

Du hører buzzwords overalt - maskinlæring, kunstig intelligens - revolutionerende nye tilgange til at transformere den måde, vi interagerer med produkter, tjenester, og information, fra ordination af medicin til reklamebeskeder.

Kunstig intelligens, en gren af ​​datalogi, der beskæftiger sig med simulering af intelligent adfærd i computere, står allerede bag mange af de teknologier, vi ser i dag, herunder virtuelle online -assistenter og førerløse biler. I transport, ansøgningerne strækker sig endnu mere.

Argonne -forskere udnytter aktivt tilgange til kunstig intelligens til at transformere Amerikas transport- og energisystemer, ved at løse komplekse problemer som overbelastning, energieffektivitet, beredskabsplanlægning, og sikkerhed. Deres forskning giver en dybere forståelse af transport fra motorkomponentniveauet helt op til store storbyområder, som hjælper beslutningstagere med at finde optimale løsninger til at gøre transportsystemer og teknologier mere pålidelige og effektive.

I særdeleshed, forskere bruger maskinlæringsteknikker, som træner computere til at analysere og opdage skjulte mønstre inden for data og lave nye forudsigelser, uden eksplicit programmering. Ingeniører i fortiden ville skrive kode, der fortæller en computer, hvad de skal gøre. Men inden for maskinlæring, ingeniører fodrer prøveinput og output til maskinlæringsalgoritmer, bed derefter maskinen om at identificere forholdet mellem de to. Derved, maskinen genererer en model, som derefter kan bruges til at forudsige.

Det systematiske behov for maskinlæring i transport

Argonne -forskere undersøger måder, maskinlæringsteknikker kan hjælpe dem med at forstå det systematiske design af transportsystemer og udpege vigtige flaskehalse, der har spredende effekter på hele systemer. Forskningsingeniør Eric Rask og computerforsker Prasanna Balaprakash undersøger mulighederne på dette område gennem et amerikansk ministerium for energifinansierede højtydende databehandlingsprojekter.

"Vi er engageret i denne indsats, fordi forståelse for, hvordan transport fungerer som et system, er afgørende for at identificere og afhjælpe trafikproblemer og understøtte fremtidig planlægning, "Rask sagde." På grund af mangfoldigheden og kompleksiteten af ​​de involverede systemer, at opnå en omfattende forståelse kan være en udfordring, men maskinlæring kan hjælpe os med bedre at opdage usynlige tendenser og kortlægge vigtige relationer og deres relative indvirkning. "

Den resulterende indsigt bidrager til at konstruere bedre systemkontroller, der kan gøre transport mere pålidelig, øge produktiviteten, og spare forbrugerne på de millioner af dollars, der spildes hvert år på tomgang i trafikken. Flere oplysninger understøtter også beslutningstagning; med flere oplysninger om trafikhændelser, for eksempel, forbrugere og autonome køretøjer kan træffe beslutninger om routing, planlæggere kan bedre koordinere nødhjælp, og byplanlæggere kan implementere kontroller for at minimere afbrydelser til andre områder af systemet.

Fremskynder motorudvikling og optimering

Argonne -forskere anvender maskinlæring for at optimere avancerede motordesign og -processer. For nylig, forskere har udviklet en kraftfuld måde at bruge deep learning (en kategori af maskinlæringsmetoder) til at oprette en ny forbrændingsmodel, der reducerer simuleringstiden til det halve.

Deep learning bruger en klasse af algoritmer kaldet dybe neurale netværk, der efterligner hjernens enkle signalprocesser på en hierarkisk måde; i dag, disse netværk, hjulpet af højtydende computing, kan være flere lag dybe. De gør det muligt for forskere at modellere stadig mere komplekse egenskaber som flere reaktionsveje under forbrænding af brændstof.

"Traditionelt set forskere vil forsøge at reducere kompleksiteten af ​​forbrændingsreaktioner for at spare tid, når de kører simuleringer, men dette kan reducere nøjagtigheden af ​​deres output, "sagde Argonne's Computational Multi-Physics Section's Manager Sibendu Som." Med vores nye model, hjulpet af maskinlæring, vi kan redegøre for hele brændstofkemien uden at gå på kompromis med nøjagtigheden og spare tid. Denne kapacitet er unik, ikke kun i anvendelsen af ​​neurale netværk, men også i dets evne til at reducere udviklingstiden betydeligt. "

Argonne -forskere har udnyttet deres machine learning -viden til at hjælpe et globalt olie- og naturgasfirma med at optimere en dieselmotor til at køre på et nyt brændstof.

Inden arbejdet med laboratoriet, virksomheden brugte high-fidelity modellering og udvikling tog flere måneder. Argonnes ekspertise inden for forbrændingsmodellering, højtydende computing, og maskinlæringsekspertise hjalp dem med at reducere udviklingstiden til bare dage, samtidig med at den samme resultatkvalitet bevares.

Optimering af routing

Argonne -forskere undersøger også måder at bruge maskinlæring til at optimere forudsigelig routing for flåder eller andre rejsende. Har en klar forståelse af tilgængelige routing muligheder, og deres tilhørende energi, tid, og miljøomkostninger, og at kunne forudsige ændringer kan hjælpe flådeoperatører med at vælge køretøjer og ruter, der sparer brændstofomkostninger og samtidig maksimerer effektiviteten.

"For at træffe beslutninger om routing har du brug for nøjagtige energioplysninger, og pålidelige forudsigelser. Du kan få dette med high-fidelity simuleringer, som tager meget tid og ikke er let tilgængelige for de fleste mennesker, "sagde Vehicle and Mobility Simulation Manager Aymeric Rousseau." En anden mulighed er at bruge maskinlæring, hvorigennem du kan få et acceptabelt svar med det samme, uden at kræve modeller af transportsystemer i høj kvalitet. "

Muliggør hurtig og præcis beslutningstagning omkring brændstoføkonomi

Rousseau og hans team anvender også maskinlæringsmetoder til at træne køretøjsmodeller til støtte for CAFE (Corporate Average Fuel Economy) -standarder, som regulerer brændstoføkonomien for alle biler og lette lastbiler, der opererer i USA. Kontraheret af US Department of Transportation's National Highway Traffic Safety Administration, Argonne -forskere understøtter CAFE -analyser ved hjælp af maskinlæring til at modellere energipåvirkningen af ​​nye køretøjsteknologier, herunder motor, smitte, letvægt, og elektriske drivteknologier.

"På grund af det store antal tilgængelige teknologier og de forskellige køretøjsklasser og forbrugerkrav, bilproducenter står over for millioner af potentielle teknologikombinationer, "Mens Rousseau sagde." Mens Argonne har udviklet processer til individuelt at modellere og simulere tæt på 1,5 millioner af disse kombinationer ved hjælp af højtydende computing, mange flere muligheder er stadig mulige. Ved hjælp af maskinlæringsmodeller, der er trænet ud fra simuleringsresultaterne, kan vi hurtigt besvare politikernes spørgsmål. "

At lave bedre transportforudsigelser

Mens du samtidigt udforsker motor- og køretøjsapplikationer, Argonne-forskere anvender også maskinlæring til storstilet systemmodellering, med øje for energi- og mobilitetspåvirkninger. Leder denne indsats, Rousseau og hans team kører high -fidelity -modeller på tusindvis af simuleringer ved hjælp af computere med høj ydeevne til at træne maskinlæringsmodeller.

For at analysere bysystemer og forudsige, hvordan transporten vil udvikle sig i fremtiden, forskere skal modellere alle potentielle transportteknologier. Men der er mange bilmuligheder derude, der bruger forskellige brændstofkilder og har forskellige ydelsesområder, for ikke at tale om busser, tog, cykling, og andre alternative transportformer.

"Et meget stort antal beregningsintensive modelkørsler er påkrævet for at kvantificere og forstå virkningen af ​​de forskellige teknologier og deres indbyrdes afhængighed. Brug af maskinlæring giver os mulighed for hurtigt og effektivt at identificere kritiske parametre og teknologier, som man derefter kan fokusere på for bedre at udnytte high-fidelity modeller og scenarieundersøgelser, "Sagde Rousseau.

Ser frem til, forskere bestræber sig på at fortsætte med at vokse og modne laboratoriets kompetencer til maskinlæring, at forbedre Argonnes evne til hurtigt at levere nyttig viden.

"Disse kompetencer, plus Argonnes tværfaglige team af eksperter og højtydende computerressourcer, viser sig at være vigtige værktøjer til at fremskynde problemløsning i transport, til udfordringer både store og små, "Sagde Som.