I ricercatori di Argonne stanno sviluppando il framework di deep learning MaLTESE (Machine Learning Tool for Engine Simulations and Experiments) per soddisfare le crescenti esigenze di fornire migliori prestazioni del motore, risparmio di carburante ed emissioni ridotte.

I produttori di automobili si trovano ad affrontare una domanda sempre crescente di fornire migliori prestazioni del motore, risparmio di carburante ed emissioni ridotte. Raggiungere questi obiettivi, però, è un compito arduo.

I ricercatori dell'Argonne National Laboratory del Dipartimento dell'Energia degli Stati Uniti (DOE) stanno sviluppando il framework di deep learning MaLTESE (Machine Learning Tool for Engine Simulations and Experiments) per affrontare la sfida.

Durante il nostro tragitto giornaliero, i nostri motori prendono una vera leccata, vista la corsa sulle montagne russe dell'accelerazione, decelerazione e arresti bruschi. Abitudini di guida individuali, insieme alle condizioni stradali e meteorologiche, anche esigere un pedaggio.

I produttori di veicoli sono costantemente alla ricerca di nuovi approcci per ottimizzare il funzionamento del motore in queste diverse condizioni. E con oltre 20 diversi parametri che influenzano il risparmio di carburante e le emissioni, determinare il giusto approccio può rivelarsi lento e costoso.

Ma cosa accadrebbe se il calcolo ad alte prestazioni (HPC) e gli strumenti di apprendimento automatico potessero vagliare innumerevoli combinazioni di parametri e prevedere i risultati per gli spostamenti di migliaia di conducenti in tempo reale?

Utilizzando risorse di supercalcolo presso l'Argonne Leadership Computing Facility (ALCF), una struttura per gli utenti dell'Office of Science del DOE, I ricercatori di Argonne Shashi Aithal e Prasanna Balaprakash stanno sviluppando MaLTESE pensando a veicoli autonomi o a guida autonoma e connessi al cloud. Ma prima sperano che il framework possa essere utilizzato per sviluppare un sistema di bordo simile a un produttore che combini la potenza dell'HPC e dell'apprendimento automatico per una nuova classe di apprendimento e controlli adattivi in ​​tempo reale.

Al fine di studiare l'impatto delle diverse condizioni di guida e di funzionamento del motore sulle prestazioni e sulle emissioni del motore, hanno usato MaLTESE per simulare un tipico ciclo di guida di 25 minuti di 250, 000 veicoli, il flusso di traffico approssimativo di quattro principali autostrade di Chicago durante l'ora di punta.

Utilizzando quasi la piena capacità del sistema Theta dell'ALCF, uno dei supercomputer più potenti del mondo, le simulazioni sono state completate in meno di 15 minuti, meno del tempo necessario per realizzare effettivamente l'unità.

Attualmente, completare una simulazione ad alta fedeltà di un solo ciclo motore richiede diversi giorni, anche su un grande supercomputer, come un tipico ciclo di guida, o fare il pendolare, ha migliaia di diversi cicli del motore.

"È un modello di fluidodinamica computazionale molto preciso che richiede molte ore di calcolo per essere eseguito e ottenere un output, " dice Balaprakash. "Per le condizioni di guida e il comportamento di guida dati, vogliamo sapere una moltitudine di cose, come l'ossido di azoto e le emissioni di carbonio, ed efficienza. La simulazione richiede molto tempo."

Ma Aithal aveva precedentemente sviluppato un simulatore di motore in tempo reale basato sulla fisica chiamato pMODES (parallel Multi-fuel Otto Diesel Engine Simulator) che non solo funziona molto più velocemente dei tradizionali strumenti di modellazione del motore, ma può simulare contemporaneamente le prestazioni e le emissioni di migliaia di cicli di guida. Uno strumento ad alto impatto per la simulazione di guida su macchine di prima classe, pMODES ha vinto l'HPC Innovation Award nel 2015 da IDC Research (ora Hyperion research).

MaLTESE è stata la fusione dei pMODES di Aithal con gli strumenti di apprendimento profondo basati sulla simulazione oggetto di ricerca da Balaprakash.

Gli output della simulazione del motore da pMODES vengono utilizzati per addestrare una rete neurale profonda per "imparare" come le condizioni di guida e il design del motore/trasmissione influenzino le prestazioni e le emissioni del veicolo. La rete neurale addestrata può quindi prevedere le prestazioni e le emissioni del motore per una serie di input in microsecondi, mettendo a bordo il controllo adattivo in tempo reale nel regno delle possibilità.

"L'apprendimento automatico basato sulla simulazione è ideale per applicazioni con più input e più output che richiedono grandi risorse HPC, come nelle analisi del ciclo di guida", afferma Balaprakash. "Questi strumenti possono essere addestrati con un sottoinsieme relativamente piccolo del vasto spazio dei parametri e quindi essere utilizzati per fare previsioni accurate su altri scenari senza la necessità di condurre effettivamente le simulazioni".

La simulazione del team su Theta è considerata la più grande simulazione del ciclo di guida condotta contemporaneamente su un supercomputer di classe dirigente in tempo reale e anche la prima previsione basata sull'apprendimento automatico delle caratteristiche del ciclo di guida di migliaia di auto su strade cittadine e autostrade durante la corsa ora.

"Lo sforzo maLTESE è un ottimo esempio di come le risorse di supercalcolo Argonne consentano ai ricercatori di combinare simulazioni su larga scala con metodi di apprendimento automatico nello sviluppo di nuovi strumenti per applicazioni del mondo reale, come la progettazione del motore e le tecnologie dei veicoli autonomi, ", afferma il direttore dell'ALCF Michael Papka.

I risultati del team di ricerca sono stati presentati alla conferenza ISC High Performance tenutasi a Francoforte, Germania, nel giugno 2019.

"MaLTESE ha il potenziale per essere una tecnologia dirompente volta a simulare e apprendere informazioni critiche sulle prestazioni del motore, emissioni e dinamica del veicolo in tempo reale, " afferma Aithal. "MaLTESE potrebbe portare a un rapido cambiamento di paradigma nell'uso dell'HPC nella progettazione e ottimizzazione e nel controllo in tempo reale delle caratteristiche automobilistiche con implicazioni di vasta portata per i veicoli autonomi e connessi".