Elektroda.pl
Elektroda.pl
X

Search our partners

Find the latest content on electronic components. Datasheets.com
Elektroda.pl
Please add exception to AdBlock for elektroda.pl.
If you watch the ads, you support portal and users.

Połączenie AI i obliczeń w celu uzyskania lepszych prognoz

ghost666 28 May 2022 19:25 312 0
Computer Controls
  • Połączenie AI i obliczeń w celu uzyskania lepszych prognoz
    Przewidywanie zmian klimatu i środowiska w czasie lub przepływ powietrza nad samolotem to problemy zbyt złożone, aby mogły je rozwiązać nawet najpotężniejsze superkomputery świata. Naukowcy polegają na modelach, aby wypełnić lukę między tym, co mogą symulować, a tym, co muszą przewidywać. Jednak, jak wie każdy meteorolog, założenia często opierają się na częściowych lub nawet błędnych informacjach, które mogą prowadzić do złych prognoz. Teraz naukowcy z Harvard John A. Paulson School of Engineering and Applied Sciences (SEAS) tworzą coś, co nazywają: „inteligentnymi stopami”, łącząc moc nauk obliczeniowych ze sztuczną inteligencją, aby opracować modele uzupełniające symulacje w celu przewidywania ewolucji, nawet najbardziej złożonych systemów.

    W artykule opublikowanym w: „Nature Communications”, Petros Koumoutsakos, Herbert S. Winokur oraz Jane Bae połączyli uczenie wzmacniające z metodami numerycznymi do obliczania przepływów turbulentnych, jednego z najbardziej złożonych procesów w inżynierii. Algorytmy uczenia się ze wzmocnieniem są maszynowym odpowiednikiem eksperymentów warunkowania behawioralnego B.F. Skinnera. Ów profesor psychologii na Harvardzie w latach 1959-1974 szkolił gołębie do gry w ping-ponga, nagradzając ptaka, który dziobał piłkę w kierunku swojego przeciwnika. Nagrody potęgowały strategie, dając bodziec do oddawania strzałów w poprzek stołu, co często kończyło się punktem i smaczną przekąskę w zamian. W: „inteligentnych stopach” gołębie zostały zastąpione algorytmami (lub agentami), które wprawiają się poprzez interakcję z równaniami matematycznymi.



    „Bierzemy równanie i gramy w grę, w której agent uczy się uzupełniać te luki, których nie możemy rozgryźć” — wskazała Bae, adiunkt w California Institute of Technology. „Agenci dodają informacje z obserwacji, które obliczenia mogą rozwiązać, a następnie dokonują korekty wyniku” — mówią badacze. „W wielu złożonych układach, takich jak przepływy turbulentne, znamy równania, ale nigdy nie będziemy mieli mocy obliczeniowej, aby rozpracować je wystarczająco dokładnie do zastosowań inżynieryjnych i klimatycznych” — powiedział Koumoutsakos. „Dzięki uczeniu się ze wzmocnieniem wielu agentów może przysposobić się do uzupełniania najnowocześniejszych narzędzi obliczeniowych celem rozwiązywania równań”. Korzystając z tego procesu, naukowcy byli w stanie przewidzieć trudne przepływy turbulentne oddziałujące z litymi ścianami, np. względem łopatki turbiny, dokładniej niż czynią to obecne metody. „Istnieje ogromny zakres zastosowań. Gdyż każdy system inżynieryjny od morskich turbin wiatrowych po systemy energetyczne wykorzystuje jakieś kalkulacje do analizy interakcji przepływu w urządzeniu i możemy zużytkować ten pomysł na wieloagentowe wzmocnienie do opracowywania, rozszerzania i ulepszania modeli” — powiedziała Bae.

    Połączenie AI i obliczeń w celu uzyskania lepszych prognoz


    W drugim artykule opublikowanym w: „Nature Machine Intelligenceza”, Koumoutsakos i jego współpracownicy zastosowali algorytmy uczenia maszynowego do akceleracji przewidywania w symulacjach złożonych operacji, które zachodzą w długich okresach. Weźmy na przykład morfogenezę, proces różnicowania komórek w tkanki i narządy. Przeniknięcie każdego jej etapu ma kluczowe znaczenie dla zrozumienia niektórych chorób i wad organów. Jednak żaden komputer nie jest wystarczająco duży, aby obrazować i przechowywać każdą fazę procesową morfogenezy przez miesiące. „Jeśli operacja zachodzi w ciągu kilku sekund i chcesz zrozumieć, jak to działa, potrzebujesz aparatu, który robi zdjęcia w milisekundach” — wskazał Koumoutsakos. „Jednak, jeśli proces ten jest częścią większego, który trwa miesiące lub lata (takiego jak morfogeneza) i próbujesz użyć kamery milisekundowej w całej tej skali czasu — zapomnij o tym, skończą ci się zasoby”.

    Koumoutsakos i jego zespół, w skład którego weszli badacze z ETH Zurich i MIT wykazali, że sztuczna inteligencja może być wykorzystywana do generowania zredukowanych reprezentacji symulacji w drobnym formacie (odpowiednik obrazów eksperymentalnych), konsolidując informacje, prawie jak kompresuje się duże pliki. Algorytmy mogą następnie odwrócić proces, przenosząc zredukowany obraz z powrotem do jego pełnego stanu. Rozwiązywanie w zredukowanej reprezentacji jest szybsze i zużywa znacznie mniej energii niż wykonywanie obliczeń w pełnej skali. „Wielkie pytanie brzmiało, czy możemy użyć ograniczonych przypadków zmniejszonych reprezentacji do przewidywania pełnych w przyszłości” — wskazał Koumoutsakos.

    Odpowiedź brzmiała tak

    „Ponieważ algorytmy uczyły się zredukowanych reprezentacji, o których wiemy, że są prawdziwe, nie potrzebują pełnych, aby wygenerować zredukowaną reprezentację tego, co będzie dalej w procesie” — wyjaśnia Pantelis Vlachas, absolwent SEAS i pierwszy autor publikacji. Korzystając z tych modeli, naukowcy wykazali, że są w stanie generować prognozy od tysięcy do miliona razy szybciej, niż w przypadku symulacji w pełnej rozdzielczości. Ponieważ algorytmy nauczyły się kompresować i dekompresować informacje mogą wygenerować pełną reprezentację prognozy, którą da się następnie porównać z eksperymentami. Naukowcy zademonstrowali to podejście w symulacjach złożonych systemów, w tym procesów molekularnych i mechaniki płynów.

    „W jednym artykule wykorzystujemy sztuczną inteligencję do uzupełniania eksperymentu poprzez budowanie sprytnych modeli. W drugim używamy AI do przyspieszenia symulacji o kilka rzędów wielkości. Następnie mamy nadzieję zbadać, jak połączyć te dwie metody. Ujęcie: „inteligentnych stóp” rozumiane jako fuzja, może być silniejsze niż każda ze składowych mieszanki z osobna. Jest mnóstwo miejsca na innowacje w przestrzeni między sztuczną inteligencją a naukami obliczeniowymi” — podsumował Koumoutsakos.

    Źródło: https://techxplore.com/news/2022-04-combining-ai-science-faster-energy.html

    Cool? Ranking DIY
    [28-30.06.2022, targi] PowerUP EXPO 2022 - zasilanie w elektronice. Zarejestruj się za darmo
    About Author
    ghost666
    Translator, editor
    Offline 
    Fizyk z wykształcenia. Po zrobieniu doktoratu i dwóch latach pracy na uczelni, przeszedł do sektora prywatnego, gdzie zajmuje się projektowaniem urządzeń elektronicznych i programowaniem. Od 2003 roku na forum Elektroda.pl, od 2008 roku członek zespołu redakcyjnego.
    ghost666 wrote 11088 posts with rating 9403, helped 157 times. Live in city Warszawa. Been with us since 2003 year.
  • Computer Controls