Simulazione della previsione del fattore di atterramento dell'instabilità per un guscio composito (a sinistra), e la pila di strati del composito (a destra). Credito:Oak Ridge National Laboratory
I ricercatori dell'Oak Ridge National Laboratory hanno sviluppato una nuova strategia di progettazione e formazione per ResNets reversibili che riduce la dimensionalità dei modelli di apprendimento automatico ad alta dimensionalità per sistemi fisici complessi.
Lo sviluppo di modelli di ordine ridotto di sistemi fisici complessi è computazionalmente costoso. I ricercatori dell'ORNL hanno sviluppato un approccio basato sulla rete neurale che riduce il numero di input necessari per sviluppare questi modelli e, per estensione, la complessità delle applicazioni HPC. Il metodo della squadra:
La riduzione dell'input si ottiene impiegando reti neurali residue, o ResNets, che utilizzano scorciatoie per aggirare i livelli. L'approccio del team ORNL può essere utilizzato per un'ampia gamma di applicazioni (e persino dati sperimentali), come l'accelerazione da parte del team del processo di progettazione di gusci compositi multistrato (utilizzati nei recipienti a pressione, serbatoi e cisterne, e parti di razzi e veicoli spaziali) determinando gli angoli ottimali degli strati.
I ricercatori stanno attualmente lavorando per ridimensionare l'algoritmo fino al supercomputer Summit dell'ORNL, attualmente il più potente del mondo.
