Simulările de inginerie necesită adesea resurse de calcul și de timp semnificative, ceea ce creează bariere pentru utilizatori și poate întârzia termenele de finalizare a proiectelor. Utilizând rețelele neurale și învățarea automată (machine learning), cercetătorii au descoperit cum să genereze simulări precise, de înaltă rezoluție, consumând în același timp mult mai puține resurse.
Cercetătorii de la Universitatea Carnegie Mellon au dezvoltat o metodă de eșantionare (up-sampling) denumită TEECNet (Taylor Expansion Error Correction Network). Această rețea neurală este eficientă pentru o varietate de probleme de fizică, cum sunt transferul de căldură și curgerea fluidelor. Acuratețea sa este de peste 96% și utilizează cu 42,7% mai puține resurse decât alte metode populare de eșantionare.
TEECNet poate prelua datele unei simulări rapide, cu cost redus, și utilizează în algoritm pentru a-i îmbunătăți calitatea până la nivelul unei simulări mai intensive. TEECNet diferă de alte metode de eșantionare prin faptul că prioritizează eficiența.
„Întotdeauna putem afla ceea ce dorim dacă modelele noastre au la dispoziție suficient timp și suficiente date, dar dorim ca modelul nostru să fie eficient și precis”, spune Wenzhou Xu, autorul principal al studiului.
În prezent, TEECNet obține rezultate mai rapide atunci când rulează pe computere mici. De exemplu, simulările asistate de TEECNet rulează pe computere cu 48 de nuclee cu o reducere a costurilor de circa 47,15%, în timp ce pe computerele cu 12 nuclee reducerea este de 68,77%.
Sursa: TechXplore