与人工智能建立更好的引擎

深度学习加速模拟清洁燃烧

大卫·施密特是保护环境,但不是他第一次计划的方式。在工程研究生院,他的兴趣是核聚变。一个有说服力的博士导师引导他走向燃油喷射的物理,一个过程的中心惯性约束聚变反应堆和内燃机,顾问的其他研究。实际的聚变反应堆仍几十年,施密特转向引擎。

虽然电动汽车可能似乎接管,内燃机(冰)仍在路上,海洋,停机坪上几十年。施密特让他们更清洁和更高效的工作。“一个新问题,即使你不是最初对它感兴趣,过了一会儿就钩到你,”他说。“很快,你开始思考它。”

多尺度湍流的本质在一个典型的内燃机模拟。(图片来源:m·迪亚斯里贝罗)

机械和工业工程教授马萨诸塞大学阿默斯特,施密特称燃油喷射“非常极端。“燃料经过洞人类头发的宽度”和尖叫出至少一个马赫数时,有足够的动力通过你的手一个洞。“这使得研究物理引擎昂贵,有点危险。模拟改进我们的理解能力里面发生了什么。

每周跑高保真模拟引擎仍然可以在一个昂贵的计算集群。所以,在过去的两年里,施密特领导ICEnet马萨诸塞大学阿默斯特的一个财团,加速神经网络的过程。他的实验室在发展中取得了很大的进步研究湍流和燃烧的工具。使用机器学习,他说,他们得到“更好、更准确的回答比我们应得的计算能力我们投入。”

把它插在

该财团由施密特在马塞诸斯州大学的实验室;西门子、AVL和收敛的科学,制造商的发动机仿真软件;康明斯发动机制造商;的制造商NVIDIA图形处理单元;和MathWorks。

西门子、AVL,收敛科学为客户设计仿真软件,包括康明斯。程序,称为计算流体动力学(CFD)解决者,代表整个引擎或单个引擎组件除以一百万或更多的小细胞。在每一个细胞,在每个时间步,模拟结合众多因素的影响决定细胞的当前状态的温度,压力,等等。因素决定这个州来自一个基本的会计质量,动量,和节约能源,再加上插件软件模块。ICEnet发展两个模块:一个计算湍流的物理,另一个计算燃烧化学。

美丽的插件系统,你不需要生成一个新的计算流体动力学解算器,可由数百万行代码代表活塞运动,发扬,等等。“你不想改变现有代码库,”施密特说。“所以,它的设计让你轻松交换模块。”

ICEnet建立了工业级的端到端流程,用户可以调整,以适应其特定CFD工作流。

ICEnet解决使用CFD的集合称为OpenFOAM,这是开源的。但是他们的模块将很轻松地插入其它CFD解决方案,如使用西门子、AVL,收敛的科学。这三家公司可能不会使用模块一样写但会适应他们满足自己的需求。

步骤1:读取数据;步骤2:清洁预处理,特征工程;步骤3:NAS使用贝叶斯优化;第四步:岗位培训修剪。

工作流计算湍流和燃烧。(图片来源:Peetak拉和大卫•施密特ICEnet马塞诸斯州大学)

开发模块,施密特是使用MATLAB^®,原因是多方面的。研究生根据Peetak Mitra在施密特的实验室,它是用户友好的,客户都熟悉它,它没有错误,MathWorks提供支持,它生成c++代码,解决CFD的语言,诸如PyTorch比其他机器学习框架。金宝app

该项目涉及不仅开发新算法,使他们足够可靠供日常使用。“通常情况下,在学术界,我们得到一些工作一次或两次宣布胜利,”施密特说。”和它的软件由口香糖和字符串。”

说:“ICEnet修建Shounak Mitra MathWorks深度学习的产品经理”是一个工业级的端到端流程,用户可以调整以适应特定的CFD工作流在这一领域。”

全搞混了

施密特喜欢引用一首诗的数学家和气象学家:名叫Richardson”大型旋转旋转,以他们的速度,/和小旋转粘度较小的旋转等等。“气流混合的液体、气体或plasma-occurs在许多鳞片。发生了什么,发生在一个规模影响别人。准确模拟湍流的非常慢,因为他们需要捕捉微小的动力学。ICEnet加速的过程评估。

发生在每个单元格计算使用公式和输入相关密度、压力、温度、速度和压力。输出是气态的速度。模拟可能有一百万个细胞,这是一百万年的这些计算每个时间步(持续1000到1000000秒)。ICEnet减少细胞的数量由两个或两个以上的因素。它恢复细粒度的信息失去了通过使用快速神经网络。

团队首先运行高分辨率模拟和训练一个神经网络估计仿真的行为。然后,在低分辨率的模拟,他们增加计算的公式一个术语,称为学会调整。这个校正恢复失去的大部分信息通过减少决议。其他研究人员完全取代模拟与训练网络,但施密特发现,这种方法降低了精度太多。他需要的传统公式执行质量守恒,动量和能量对账。“所以,我们所做的就是我们结婚了机器学习的现有仿真技术。”

在最初的研究中,系统并不总是加速模拟。他们会减少一百万个细胞几十万,但仍然有网络运行十万次每一百万次步骤,或总共一千亿次。所以Peetak Mitra找到一种方法来简化网络。首先,他使用AutoML,软件探索不同的神经网络结构,发现那些都是准确的和有效的。因为不是所有联盟伙伴在机器学习专家,“我们想要做的是更低的障碍,“Peetak Mitra说。“我们建立这一键过程中你遇到在MATLAB运行,和它自动设计根据你的数据网络。”

片通过发动机仿真,彩色速度大小(红色=高速度;蓝色/浅=低速度)。左侧图像显示真实数据,右侧machine-learned解决方案。(图片来源:Peetak拉和大卫•施密特ICEnet马塞诸斯州大学)

然后Peetak Mitra修剪网络设计了一种新的方法,删除不重要的节点和连接。修剪网络规模减少了90%,同时速度提高10倍精度。这是因为大型网络适应系统中的任何信息,这使得他们善于概括许多场景,但他们可以从系统中噪声。如果你将机器学习应用到常规环境类似类型的cylinders-you可以缩小网络,从而过滤掉噪音。

研究小组还利用这一过程被称为量化,减少网络的过度精密的价值观。看着这些的方法缩小网络,Shounak Mitra说,“英伟达称赞他们。”

挑战仍然存在。当网络结合CFD的能手,剩下的还需要一段时间来训练网络,优化其性能。“想象试图学会踢足球,你可以每隔几个小时只踢一次球,”施密特说。他们正在致力于快捷方式来加速这个过程。

高度易燃的

施密特的研究小组还发现创新的方式使用深度学习研究燃烧。就像在湍流建模、标准系统公式适用于细胞在每个时间步长来决定他们自己的国家。但在这里,有整个系统的微分方程对每一个细胞,平衡对流,温度,压力,许多化学物质和数以百计的化学反应。

与更快的模拟,合作伙伴可以运行更多的实验,快速迭代引擎设计,最终目标是提高发动机效率和减少排放。

再一次,他们使用这些方程和列车运行高保真模拟神经网络快速近似在一个单元中会发生什么。但在这种情况下,然后完全取代的化学反应训练网络,每一个细胞。为此,Majid Haghshenas,施密特的实验室的博士后,已经开发了一个新的方法:他们不使用相同的训练网络在每一个细胞,也不使用一个不同的每一个细胞。相反,他们使用一种集群的技术训练的网络分成约40组。对于每个集群,他们创建一个代表网络。他们将方程组替换为一个40左右网络根据其输入。使用十万不同的网络,而不是降低整个系统的大小。这也使更准确比使用十万张相同的网络。