Senti le parole d'ordine ovunque:apprendimento automatico, intelligenza artificiale:nuovi approcci rivoluzionari per trasformare il modo in cui interagiamo con i prodotti, Servizi, e informazioni, dalla prescrizione di farmaci ai messaggi pubblicitari.

Intelligenza artificiale, una branca dell'informatica che si occupa della simulazione del comportamento intelligente nei computer, è già alla base di molte delle tecnologie che vediamo oggi, inclusi assistenti virtuali online e auto senza conducente. Nel trasporto, le applicazioni si estendono ulteriormente.

I ricercatori di Argonne sfruttano attivamente gli approcci per l'intelligenza artificiale per trasformare i trasporti e i sistemi energetici americani, affrontando problemi complessi come la congestione, efficienza energetica, pianificazione della risposta alle emergenze, e sicurezza. La loro ricerca fornisce una comprensione più profonda del trasporto dal livello dei componenti del motore fino alle grandi aree metropolitane, che aiuta i decisori a trovare soluzioni ottimali per rendere i sistemi e le tecnologie di trasporto più affidabili ed efficienti.

In particolare, i ricercatori utilizzano tecniche di apprendimento automatico, che addestrano i computer ad analizzare e scoprire schemi nascosti all'interno dei dati e a fare nuove previsioni, senza programmazione esplicita. Gli ingegneri in passato scrivevano un codice che dice a un computer cosa fare. Ma nell'apprendimento automatico, gli ingegneri forniscono input e output di esempio ad algoritmi di apprendimento automatico, quindi chiedi alla macchina di identificare la relazione tra i due. Così facendo, la macchina genera un modello, che possono poi essere utilizzati per fare previsioni.

La necessità sistematica dell'apprendimento automatico nei trasporti

I ricercatori di Argonne stanno esplorando i modi in cui le tecniche di apprendimento automatico possono aiutarli a comprendere la progettazione sistematica dei sistemi di trasporto e individuare i colli di bottiglia chiave che hanno effetti di propagazione su interi sistemi. L'ingegnere di ricerca Eric Rask e l'informatica Prasanna Balaprakash stanno esplorando le opportunità in questo settore attraverso un progetto di calcolo ad alte prestazioni finanziato dal Dipartimento dell'Energia degli Stati Uniti.

"Siamo impegnati in questo sforzo perché capire come funziona il trasporto come sistema è fondamentale per identificare e alleviare i problemi di traffico e supportare la pianificazione futura, " Rask ha detto. "A causa della diversità e della complessità dei sistemi coinvolti, raggiungere una comprensione globale può essere una sfida, ma l'apprendimento automatico può aiutarci a rilevare meglio le tendenze invisibili e a mappare le relazioni chiave e il loro impatto relativo".

Le intuizioni risultanti contribuiscono alla progettazione di migliori controlli di sistema che possono rendere il trasporto più affidabile, aumentare la produttività, e risparmiare ai consumatori sui milioni di dollari sprecati ogni anno inattivo nel traffico. Ulteriori informazioni supportano anche il processo decisionale; con maggiori informazioni sugli incidenti stradali, Per esempio, i consumatori e i veicoli autonomi possono prendere decisioni sul percorso, i pianificatori possono coordinare meglio le risposte alle emergenze, e gli urbanisti possono implementare controlli per ridurre al minimo l'interruzione di altre aree del sistema.

Accelerare lo sviluppo e l'ottimizzazione del motore

I ricercatori di Argonne applicano l'apprendimento automatico per ottimizzare i progetti e i processi avanzati del motore. Più recentemente, i ricercatori hanno sviluppato un modo potente per utilizzare il deep learning (una categoria di metodi di apprendimento automatico) per creare un nuovo modello di combustione che riduce della metà il tempo di simulazione.

Il deep learning utilizza una classe di algoritmi chiamati reti neurali profonde che imitano i semplici processi di segnale del cervello in modo gerarchico; oggi, queste reti, aiutato dal calcolo ad alte prestazioni, può essere profondo diversi strati. Consentono ai ricercatori di modellare proprietà sempre più complesse come percorsi di reazione multipli durante la combustione del carburante.

"Tradizionalmente, i ricercatori cercheranno di ridurre la complessità delle reazioni di combustione per risparmiare tempo durante l'esecuzione di simulazioni, ma così facendo può ridurre l'accuratezza del loro output, ", ha affermato Sibendu Som, responsabile della sezione di multifisica computazionale di Argonne. "Con il nostro nuovo modello, aiutato dall'apprendimento automatico, possiamo tenere conto dell'intera chimica del carburante senza sacrificare la precisione e risparmiare tempo. Questa capacità è unica, non solo nella sua applicazione delle reti neurali, ma anche nella sua capacità di ridurre significativamente i tempi di sviluppo."

I ricercatori di Argonne hanno sfruttato le loro conoscenze di apprendimento automatico per aiutare un'azienda globale di petrolio e gas naturale a ottimizzare un motore diesel per funzionare con un nuovo carburante.

Prima di lavorare con il laboratorio, l'azienda ha utilizzato la modellazione ad alta fedeltà e lo sviluppo ha richiesto diversi mesi. L'esperienza di Argonne nella modellazione della combustione, calcolo ad alte prestazioni, e l'esperienza di machine learning li ha aiutati a ridurre i tempi di sviluppo a pochi giorni, mantenendo la stessa qualità di risultato.

Ottimizzazione del percorso

I ricercatori di Argonne stanno anche esplorando modi per utilizzare l'apprendimento automatico per ottimizzare il percorso predittivo per le flotte o altri viaggiatori. Avere una chiara comprensione delle opzioni di routing disponibili, e la loro energia associata, tempo, e costi ambientali, ed essere in grado di prevedere i cambiamenti può aiutare gli operatori di flotte a scegliere veicoli e percorsi che consentono di risparmiare sui costi del carburante massimizzando l'efficienza.

"Per prendere decisioni sui percorsi sono necessarie informazioni energetiche accurate, e previsioni attendibili. Puoi ottenerlo con simulazioni ad alta fedeltà, che richiedono molto tempo e non sono facilmente accessibili alla maggior parte delle persone, " ha affermato Aymeric Rousseau, responsabile della simulazione di veicoli e mobilità. "Un'altra opzione è quella di utilizzare l'apprendimento automatico, attraverso il quale puoi ottenere subito una risposta accettabile, senza richiedere modelli di sistemi di trasporto ad alta fedeltà."

Consentire un processo decisionale rapido e accurato sul risparmio di carburante

Rousseau e il suo team utilizzano anche approcci di apprendimento automatico per addestrare modelli di veicoli a supporto degli standard CAFE (Corporate Average Fuel Economy), che regolano il risparmio di carburante di tutte le auto e gli autocarri leggeri che operano negli Stati Uniti. Appaltato dalla National Highway Traffic Safety Administration del Dipartimento dei trasporti degli Stati Uniti, I ricercatori di Argonne supportano le analisi CAFE utilizzando l'apprendimento automatico per modellare gli impatti energetici delle nuove tecnologie dei veicoli tra cui motore, trasmissione, alleggerimento, e tecnologie di azionamento elettrico.

"A causa del gran numero di tecnologie disponibili e delle diverse classi di veicoli e delle esigenze dei consumatori, le case automobilistiche si trovano di fronte a milioni di potenziali combinazioni tecnologiche, " Ha detto Rousseau. "Mentre Argonne ha sviluppato processi per modellare e simulare individualmente quasi 1,5 milioni di queste combinazioni utilizzando il calcolo ad alte prestazioni, molte più opzioni sono ancora possibili. L'utilizzo di modelli di apprendimento automatico formati dai risultati della simulazione ci consente di rispondere rapidamente alle domande dei responsabili delle politiche".

Fare migliori previsioni sui trasporti

Durante l'esplorazione simultanea delle applicazioni del motore e del veicolo, I ricercatori di Argonne stanno anche applicando l'apprendimento automatico alla modellazione di sistemi su larga scala, con un occhio agli impatti energetici e di mobilità. A guidare questo sforzo, Rousseau e il suo team eseguono modelli ad alta fedeltà su migliaia di simulazioni utilizzando il calcolo ad alte prestazioni per addestrare modelli di apprendimento automatico.

Per analizzare i sistemi cittadini e prevedere come si evolveranno i trasporti in futuro, i ricercatori devono modellare tutte le potenziali tecnologie di trasporto. Ma ci sono molte opzioni di veicoli là fuori che utilizzano diverse fonti di carburante e hanno diverse gamme di prestazioni, per non parlare degli autobus, treni, in bicicletta, e altri modi di trasporto alternativi.

"Per quantificare e comprendere l'impatto delle diverse tecnologie e la loro interdipendenza è necessario un numero molto elevato di esecuzioni di modelli ad alta intensità di calcolo. L'utilizzo dell'apprendimento automatico ci consente di identificare in modo rapido ed efficiente i parametri e le tecnologie critici su cui è possibile concentrarsi per sfruttare meglio il modelli ad alta fedeltà e studi di scenario, " disse Rousseau.

Guardando avanti, i ricercatori si sforzano di continuare a crescere e maturare le competenze di apprendimento automatico del laboratorio, per migliorare la capacità di Argonne di fornire rapidamente conoscenze utili.

"Queste competenze, più il team multidisciplinare di esperti e risorse di calcolo ad alte prestazioni di Argonne, si stanno rivelando strumenti importanti per accelerare la risoluzione dei problemi nei trasporti, per sfide grandi e piccole, " ha detto Som.