勞倫斯·利弗莫爾國家實驗室 (LLNL)的科學(xué)家報告說，由神經(jīng)網(wǎng)絡(luò)支持的替代模型在性能上和在某些方面要比計算上昂貴的模擬器好，并且在某些方面要好一些，并且可以導(dǎo)致對諸如慣性約束聚變(ICF)等復(fù)雜物理問題的新見解 。

在美國國家 科學(xué)院院刊(PNAS)上 發(fā)表 的 一篇論文中，LLNL研究人員描述了深度學(xué)習(xí)驅(qū)動的流形與循環(huán)一致(MaCC)替代模型的開發(fā)，該模型結(jié)合了能夠快速準確模擬的多模式神經(jīng)網(wǎng)絡(luò)。復(fù)雜的科學(xué)過程，包括ICF中涉及的高能密度物理學(xué)。

該研究小組將該模型應(yīng)用于在國家點火設(shè)施 (NIF)進行的ICF爆破中，該 爆破中使用了計算成本很高的數(shù)值模擬器來預(yù)測由該設(shè)施的高能激光所產(chǎn)生的沖擊波所爆破的目標的能量產(chǎn)出。將神經(jīng)網(wǎng)絡(luò)支持的替代結(jié)果與現(xiàn)有模擬器進行比較，研究人員發(fā)現(xiàn)該替代可以充分復(fù)制該模擬器，并且在廣泛的指標范圍內(nèi)，其替代模型的性能明顯優(yōu)于當(dāng)前的最新水平。

“我們正在處理的一個主要問題是'當(dāng)您擁有大量不同類型的數(shù)據(jù)時，我們?nèi)绾伍_始使用機器學(xué)習(xí)?” LLNL的計算機科學(xué)家兼第一作者Rushil Anirudh說。“我們提出的建議是通過找到一個公共空間來簡化該問題，在該公共空間中所有這些模式(例如高壓或高溫)都可以在該空間中進行并進行分析。我們說的是，深度學(xué)習(xí)可以捕獲所有這些不同數(shù)據(jù)源之間的重要關(guān)系，并為我們提供所有這些數(shù)據(jù)源的緊湊表示。

“這樣做的好處不僅在于它使分析更加容易，因為現(xiàn)在您擁有所有這些模式的共同空間，而且我們還表明，以這種方式進行操作實際上可以為您提供更好的模型，更好的分析并且客觀上更好結(jié)果比基線方法要好。” Anirudh補充說。

Anirudh解釋說，使用神經(jīng)網(wǎng)絡(luò)可以在一秒鐘內(nèi)完成同樣通常需要數(shù)值模擬器半小時才能完成的模擬。計算機科學(xué)家和合著者Timo Bremer解釋說，也許比節(jié)省計算時間更有價值的是深度學(xué)習(xí)替代模型在ICF測試用例中分析大量復(fù)雜的高維數(shù)據(jù)的能力。用于庫存現(xiàn)代化工作。結(jié)果表明，該方法可能會導(dǎo)致新的科學(xué)發(fā)現(xiàn)，以及用于執(zhí)行和分析仿真的全新技術(shù)類別，Bremer說。

Bremer解釋說，這在NIF上尤其重要，因為科學(xué)家尚未完全理解為什么模擬和實驗之間存在差異。將來，深度學(xué)習(xí)模型可能會激發(fā)出以前不存在的功能，并為科學(xué)家提供一種方法來分析從每個NIF鏡頭的診斷收集的大量X射線圖像，傳感器數(shù)據(jù)和其他信息，包括布雷默說，之所以沒有被合并是因為其中太多的東西無法由人類單獨進行分析。

布雷默說：“該工具為我們提供了一種將模擬與實驗聯(lián)系起來的根本不同的方式。” “通過建立這些深度學(xué)習(xí)模型，它使我們能夠直接預(yù)測模擬數(shù)據(jù)的全部復(fù)雜性。利用這個共同的潛在空間將所有這些不同的方式和診斷方法關(guān)聯(lián)起來，并利用該空間將實驗與仿真聯(lián)系起來，將不僅對這一特定的科學(xué)領(lǐng)域，而且對于試圖將計算科學(xué)與實驗科學(xué)。這可能會以一種目前不可行的方式潛在地帶來新的見解。”

將替代模型所做的預(yù)測結(jié)果與通常用于ICF實驗的模擬器進行比較，研究人員發(fā)現(xiàn)，MaCC替代在誤差和預(yù)期的能量產(chǎn)出量方面與模擬器幾乎沒有區(qū)別，并且比其他類型的替代模型更準確。研究人員說，MaCC模型成功的關(guān)鍵是正向和反向模型的耦合以及對它們的數(shù)據(jù)訓(xùn)練。代理模型使用數(shù)據(jù)輸入進行預(yù)測，然后通過逆模型運行這些預(yù)測，以從輸出中估計輸入可能是什么。Anirudh說，在訓(xùn)練過程中，代理人的神經(jīng)網(wǎng)絡(luò)學(xué)會了與逆模型兼容，這意味著錯誤的累積量沒有以前那么大。

“我們正在探索這種自洽的概念，”阿尼魯?shù)?Anirudh)解釋說。“我們發(fā)現(xiàn)將反問題納入代理建模過程實際上是必不可少的。它使問題的數(shù)據(jù)效率更高，并且健壯性更高。將這兩部分(逆模型和所有模態(tài)的公共空間)放在一起時，您將獲得具有所有其他這些理想屬性的宏偉的替代模型-效率更高，數(shù)據(jù)量更少，性能更好，并且具有彈性采樣文物。”

該團隊表示，基于機器學(xué)習(xí)的替代方法的好處在于，它們可以加快極其復(fù)雜的計算，并有效地比較各種數(shù)據(jù)源，而無需科學(xué)家掃描大量數(shù)據(jù)。研究人員說，隨著模擬器變得越來越復(fù)雜，產(chǎn)生更多的數(shù)據(jù)，這種替代模型將成為科學(xué)發(fā)現(xiàn)的基本補充工具。

“即使模擬變得更加復(fù)雜，我們構(gòu)建的工具也將很有用，”計算機科學(xué)家和合著者Jayaraman Thiagarajan說。“明天，我們將獲得新的計算能力，更大的超級計算機和更準確的計算，并且這些技術(shù)將仍然適用。我們驚奇地發(fā)現(xiàn)，您可以為基礎(chǔ)的復(fù)雜仿真生產(chǎn)非常強大的仿真器，而這在其中變得非常重要。

“只要您可以使用數(shù)學(xué)模型來近似基礎(chǔ)科學(xué)，我們探索太空的速度就會變得非常非常快”，Thiagarajan繼續(xù)說道。“這有望在將來幫助我們更快，更有效地進行科學(xué)發(fā)現(xiàn)。我們相信，即使我們將其用于特定的應(yīng)用程序，該方法仍可廣泛應(yīng)用于一般的科學(xué)保護傘。”

研究人員說，MaCC替代模型可以適應(yīng)模式，新類型的傳感器或成像技術(shù)的任何未來變化。由于其靈活性和準確性，該模型及其深度學(xué)習(xí)方法(在LLNL中稱為“認知模擬”或簡稱為CogSim)正被應(yīng)用于實驗室內(nèi)的許多其他項目，并正在過渡到計劃性工作，包括努力在不確定性量化，武器物理設(shè)計，磁約束聚變和其他激光項目中。

MaCC是實驗室更廣泛的認知模擬總監(jiān)倡議的關(guān)鍵產(chǎn)品，由首席研究員和LLNL物理學(xué)家Brian Spears領(lǐng)導(dǎo)，并通過實驗室定向研究與開發(fā)(LDRD)計劃資助。該計劃旨在推進廣泛的AI技術(shù)和計算平臺，這些技術(shù)和計算平臺旨在通過更有效地將精確度仿真與實驗數(shù)據(jù)結(jié)合來改善科學(xué)預(yù)測。通過關(guān)注關(guān)鍵任務(wù)空間的需求以及AI帶來的機遇和計算進步，該計劃幫助了LLNL在將AI應(yīng)用于科學(xué)方面的領(lǐng)先地位。

Spears說：“ MaCC結(jié)合多個與科學(xué)相關(guān)的數(shù)據(jù)流的能力為各種新分析打開了大門。” “這將使我們能夠從迄今為止尚無法訪問的最有價值且關(guān)鍵任務(wù)的實驗和仿真數(shù)據(jù)集中提取信息。與新的相關(guān)CogSim工具套件一起充分利用這些信息將迅速而直接地導(dǎo)致改進的預(yù)測模型。”

　　免責(zé)聲明：本文由用戶上傳，與本網(wǎng)站立場無關(guān)。財經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風(fēng)險自擔(dān)。 如有侵權(quán)請聯(lián)系刪除！