Универсальный ускоритель для быстрых ответов на сложные задачи

Хороший алгоритм машинного обучения является мощным ускорителем исследований, ведь в сочетании с компьютерным моделированием он может находить математические решения в программе, помогая ученым быстрее понять влияние лекарств на клетки или потенциал ракетных двигателей для отправки человечества на Марс и за его пределы.

Новое исследование дает этот инструмент в руки ученых всего мира. В статье, недавно опубликованной в журнале npjComputationalMaterials, команда исследователей из Национальной лаборатории Сандии (Sandia National Laboratories) и Университета Брауна (Brown University) представила универсальный способ ускорения практически любого вида моделирования.

“С точки зрения пользователя, нет разницы между использованием вашего инструмента моделирования и этого ускоренного инструмента моделирования. Он дает абсолютно одинаковые прогнозы. Разница в том, сколько времени требуется для получения этих результатов”, – сказал Реми Дингревиль (Rémi Dingreville) из Сандии.

Дингревиль и его команда с помощью своего ускорителя выполнили моделирование в области материаловедения в 16 раз быстрее, чем обычно. И, что более важно, в своей статье они рассказали, как с его помощью можно легко ускорить работу компьютерных программ для исследований изменения климата, навигации самоуправляемых транспортных средств или аппаратного ускорения.

“Потенциал нашего подхода к различным системам может привести к созданию более эффективных и устойчивых технологий”, – сказал Вивек Ооммен (Vivek Oommen) из Brown, первый автор статьи.

Акселератор демократизирует быструю науку

В детстве Дингревилль любил быструю езду. Он быстро ездил на велосипеде, лыжах и бегал. Теперь, как ученый, он использует машинное обучение для ускорения своих исследований. В предыдущем проекте он модернизировал симуляцию, чтобы она работала в 40 000 раз быстрее.

Хотя 16-кратное ускорение может показаться скромным по сравнению с этим, Дингревиль и его команда подчеркивают, что их последняя работа может оказать гораздо большее влияние, поскольку она приносит пользу практически во всех областях науки. Она не ограничивается конкретными типами задач, как другие ускорители.

“Физика, химия, геохимия, прогнозирование погоды — это на самом деле не имеет значения”, – сказал Дингревилл.

Команда считает, что в своей работе она бросает вызов исследователям, заставляя их фундаментально переосмыслить методы разработки и использования симуляций.

“Я глубоко очарован вызовами и возможностями интеграции традиционных численных методов с искусственным интеллектом для решения сложных задач в области материаловедения”, – сказал Ооммен.

Ускоренное моделирование открывает новые возможности для исследований

В то время как ускоритель моделирования экономит время и деньги на рутинных исследованиях, он также устраняет препятствия на пути изучения явлений, которые обычно невозможно смоделировать. Попробуйте смоделировать событие, которое происходит медленно, например, таяние ледников, и ваша программа, вероятно, займет слишком много времени, чтобы быть полезной.

“Современное состояние дел таково, что вам приходится использовать прямые численные решения. Несмотря на то, что они точны, они работают медленно”, – сказал Дингревилл.

Команда надеется, что это исследование положит начало современному способу ускорять обычно вялотекущее моделирование.

“Заглядывая вперед, я с нетерпением жду возможности увидеть, как наши методологии могут быть применены к другим сложным задачам в различных областях, таких как энергетика, биотехнологии и наука об окружающей среде”, – сказал Ооммен.

“Я бы хотел, чтобы это было применено в науках о земле”, – добавил Дингревилль.

Источник: TechXplore