Max Home IndustryЕсли бы все двигалось в 40 000 раз быстрее, вы могли бы съесть свежий помидор через три минуты после посадки семени. Из Нью-Йорка в Лос-Анджелес можно было долететь за полсекунды. И вы бы ждали в очереди на этот рейс в службе безопасности аэропорта 30 миллисекунд.
Благодаря машинному обучению разработка материалов для новых передовых технологий может значительно ускориться.
Исследовательская группа из Sandia National Laboratories успешно использовала машинное обучение — компьютерные алгоритмы, которые улучшаются за счет изучения шаблонов данных — для выполнения громоздких материаловедческих расчетов более чем в 40 000 раз быстрее, чем обычно.
Их результаты, опубликованные 4 января в npj Computational Materials , могут предвещать резкое ускорение создания новых технологий для оптики, аэрокосмической промышленности, хранения энергии и потенциально медицины, одновременно экономя деньги лабораторий на вычислениях. расходы.
«Мы сокращаем цикл проектирования», — сказал Дэвид Монтес де Ока Сапиан, специалист по вычислительным материалам из Sandia, который помогал проводить исследования. «Дизайн компонентов значительно превосходит дизайн материалов, необходимых для их создания. Мы хотим изменить это. После того, как вы спроектируете компонент, мы хотели бы иметь возможность разработать совместимый материал для этого компонента, не дожидаясь лет, как это происходит с текущим процессом «.
Исследование, финансируемое программой фундаментальных энергетических наук Министерства энергетики США, проводилось в Центре интегрированных нанотехнологий, исследовательском центре Министерства энергетики, совместно управляемом национальными лабораториями Сандиа и Лос-Аламоса.
Машинное обучение ускоряет вычислительно дорогостоящее моделирование
Исследователи Sandia использовали машинное обучение для ускорения компьютерного моделирования, которое предсказывает, как изменение конструкции или процесса изготовления, например изменение количества металлов в сплаве, повлияет на материал. Для проекта могут потребоваться тысячи симуляций, выполнение которых может занять недели, месяцы или даже годы.
Команда произвела однократное моделирование без посторонней помощи на высокопроизводительном вычислительном кластере со 128 вычислительными ядрами (типичный домашний компьютер имеет от двух до шести вычислительных ядер) за 12 минут. При машинном обучении такая же симуляция заняла 60 миллисекунд с использованием всего 36 ядер, что в 42000 раз быстрее на одинаковых компьютерах. Это означает, что теперь исследователи могут узнать менее чем за 15 минут то, что обычно занимает год.
Новый алгоритм Сандии дал ответ, который на 5% отличался от результата стандартного моделирования, что является очень точным прогнозом для целей команды. В машинном обучении некоторая точность достигается за счет скорости, поскольку оно приближается к быстрым вычислениям.
«Наша структура машинного обучения по существу обеспечивает такую же точность, как и модель с высокой точностью, но за небольшую часть вычислительных затрат», — сказал специалист по материалам Sandia R & eacute; mi Dingreville, который также работал над проектом.
Преимущества могут выходить за рамки материалов
Dingreville и Montes de Oca Zapiain собираются сначала использовать свой алгоритм для исследования ультратонких оптических технологий для мониторов и экранов нового поколения. Однако их исследования могут оказаться широко полезными, поскольку моделирование, которое они ускорили, описывает обычное событие — изменение или эволюцию микроскопических строительных блоков материала с течением времени.
Машинное обучение ранее использовалось для ускоренного моделирования, которое вычисляет, как взаимодействия между атомами и молекулами меняются с течением времени. Однако опубликованные результаты демонстрируют первое использование машинного обучения для ускорения моделирования материалов в относительно больших микроскопических масштабах, что, как ожидает команда Sandia, будет иметь большую практическую ценность для ученых и инженеров.
Например, теперь ученые могут быстро смоделировать, как крошечные капельки расплавленного металла будут собираться вместе, когда они охлаждаются и затвердевают, или, наоборот, как смесь будет разделяться на слои составляющих ее частей при плавлении. Многие другие природные явления, включая образование белков, имеют сходные закономерности. И хотя команда Sandia не тестировала алгоритм машинного обучения на моделировании белков, они заинтересованы в изучении этой возможности в будущем.