Réseau neuronal réduit le coût des simulations d’ingénierie
Les simulations d’ingénierie nécessitent souvent des ressources de calcul importantes et du temps, ce qui crée des obstacles aux utilisateurs et peut ralentir les délais du projet. En utilisant des méthodes d’apprentissage automatique, les chercheurs ont découvert comment générer des résultats de simulation précis et à haute résolution tout en utilisant des ressources nettement moins élevées.
Des chercheurs de l’Université Carnegie Mellon ont développé une méthode d’échantillonnage, appelée Taylor Expansion Error Correction Network (TEECNET). Ce réseau neuronal est efficace sur une variété de problèmes de physique, notamment le transfert de chaleur et l’écoulement des fluides. Il atteint une précision de plus de 96% dans l’amélioration des données tout en utilisant 42,76% de ressources de calcul moins que les autres méthodes d’échantillonnage populaires. Cette recherche est publiée dans le Journal of Computational Physics.
Chris McComb, professeur agrégé de génie mécanique, a comparé TEECNET au bouton « Améliorer » présenté dans de nombreux spectacles CSI. Tout comme la façon dont ce bouton peut améliorer la résolution des photos de basse qualité, TEECNET peut prendre des données à partir de simulations rapides et à faible coût et utiliser un algorithme pour améliorer la qualité à celle d’une simulation plus intensive.
TEECNET diffère des autres méthodes d’échantillonnage à la hausse car elle hiérarte l’efficacité.
« Nous pouvons toujours apprendre ce que nous voulons si les modèles ont suffisamment de temps et de données, mais nous voulons que les nôtres soient efficaces et précis », a déclaré Wenzhou Xu, un Ph.D. de l’Université Carnegie Mellon. Étudiant et auteur principal de l’étude.
Noelia Grande Guérrez, professeure adjointe de génie mécanique, a déclaré qu’ils espéraient réduire les données importantes et les coûts de temps requis par d’autres méthodes d’échantillonnage à la hausse moins efficaces en intégrant davantage de connaissances physiques dans TEECNET.
TEECNET obtient actuellement des résultats plus rapides lors de l’exécution sur des ordinateurs plus petits. Par exemple, les simulations assistées par TEECNET fonctionnent sur des ordinateurs avec 48 cœurs atteignent une réduction des coûts en moyenne de 47,15%, tandis que ceux qui s’exécutent sur des ordinateurs 12 cœurs obtiennent une réduction moyenne de 68,77%. Les travaux futurs chercheront à résoudre ce problème pour augmenter l’ampleur des problèmes que TEECNET peut être utilisé pour résoudre.
