Прогнозирование того, как климат и окружающая среда будут меняться с течением времени или как воздушные потоки будут проходить над самолетом, — задачи, слишком сложные даже для самых мощных суперкомпьютеров. Ученые полагаются на модели, чтобы заполнить пробел между тем, что они могут смоделировать, и тем, что им нужно предсказать. Но, как известно каждому метеорологу, модели часто полагаются на неполную или даже ошибочную информацию, что может привести к неверным прогнозам.
Теперь исследователи из Гарвардской школы инженерии и прикладных наук имени Джона А. Полсона (SEAS) формируют то, что они называют «интеллектуальными сплавами», объединяя мощь вычислительной науки с искусственным интеллектом для разработки моделей, дополняющих симуляции для прогнозирования эволюции науки.
В статье, опубликованной в Nature Communications , Петрос Комуцакос, профессор инженерных и прикладных наук Герберта С. Винокура-младшего и соавтор Джейн Бэ, бывший постдокторант Института прикладных вычислительных наук в SEAS, объединили обучение с подкреплением с численные методы расчета турбулентных течений, одного из самых сложных процессов в технике.
Алгоритмы обучения с подкреплением — это машинный эквивалент экспериментов Б. Ф. Скиннера по формированию поведения. Скиннер, профессор психологии Эдгара Пирса в Гарварде с 1959 по 1974 год, прославился тем, что обучал голубей играть в пинг-понг, награждая птичьего конкурента, который мог клевать мяч мимо своего противника. Награды подкрепляли стратегии, такие как броски через стол, которые часто приводили к очкам и вкусным угощениям.
В интеллектуальных сплавах голубей заменяют алгоритмы (или агенты) машинного обучения, которые учатся, взаимодействуя с математическими уравнениями.
«Мы берем уравнение и играем в игру, в которой агент учится завершать части уравнений, которые мы не можем решить», — сказал Бэй, который сейчас является доцентом Калифорнийского технологического института. «Агенты добавляют информацию из наблюдений, которые могут разрешить вычисления, а затем улучшают результаты вычислений».
«Во многих сложных системах, таких как турбулентные потоки, мы знаем уравнения, но у нас никогда не будет вычислительной мощности, чтобы решить их достаточно точно для инженерных и климатических приложений», — сказал Комуцакос. «Используя обучение с подкреплением, многие агенты могут научиться дополнять современные вычислительные инструменты для точного решения уравнений».
Используя этот процесс, исследователи смогли предсказать сложные турбулентные потоки, взаимодействующие с твердыми стенками, такими как лопатки турбины, более точно, чем современные методы.
«Существует огромный спектр приложений, потому что каждая инженерная система от морских ветряных турбин до энергетических систем использует модели для взаимодействия потока с устройством, и мы можем использовать эту идею мультиагентного усиления для разработки, дополнения и улучшения моделей», — сказал он.
Во второй статье, опубликованной в журнале Nature Machine Intelligence, Комуцакос и его коллеги использовали алгоритмы машинного обучения для ускорения прогнозов при моделировании сложных процессов, происходящих в течение длительных периодов времени. Возьмем морфогенез, процесс дифференцировки клеток в ткани и органы. Понимание каждого шага морфогенеза имеет решающее значение для понимания некоторых заболеваний и дефектов органов, но ни один компьютер не является достаточно большим, чтобы отображать и хранить каждый шаг морфогенеза в течение нескольких месяцев.
«Если процесс происходит за считанные секунды, и вы хотите понять, как он работает, вам нужна камера, которая делает снимки за миллисекунды», — сказал Комуцакос. «Но если этот процесс является частью более крупного процесса, который происходит в течение месяцев или лет, например морфогенеза, и вы пытаетесь использовать миллисекундную камеру в течение всего этого времени, забудьте об этом — у вас заканчиваются ресурсы».
Комуцакос и его команда, в которую входили исследователи из ETH Zurich и MIT, продемонстрировали, что ИИ можно использовать для создания уменьшенных представлений мелкомасштабных симуляций (эквивалент экспериментальных изображений), сжимая информацию почти так же, как архивирование больших файлов. Затем алгоритмы могут обратить процесс вспять, вернув уменьшенное изображение обратно в его полное состояние. Решение в сокращенном представлении выполняется быстрее и использует гораздо меньше энергетических ресурсов, чем выполнение вычислений в полном состоянии.
«Большой вопрос заключался в том, можем ли мы использовать ограниченные экземпляры сокращенных представлений для предсказания полных представлений в будущем», — сказал Комуцакос.
Ответ был да.
«Поскольку алгоритмы изучают сокращенные представления, которые, как мы знаем, верны, им не нужно полное представление для создания сокращенного представления того, что будет дальше в процессе», — сказал Пантелис Влахас, аспирант SEAS и первый автор книги. бумага.
Используя эти алгоритмы, исследователи продемонстрировали, что они могут генерировать прогнозы в тысячи или миллион раз быстрее, чем это требуется для запуска симуляций с полным разрешением. Поскольку алгоритмы научились сжимать и распаковывать информацию, они могут генерировать полное представление прогноза, которое затем можно сравнить с экспериментами. Исследователи продемонстрировали этот подход при моделировании сложных систем, включая молекулярные процессы и гидромеханику.
«В одной статье мы используем ИИ, чтобы дополнить симуляции, создавая умные модели. В другой статье мы используем ИИ, чтобы ускорить симуляции на несколько порядков. Далее мы надеемся изучить, как объединить эти два метода. Мы называем эти методы Интеллектуальные сплавы, поскольку слияние может быть сильнее, чем каждая из частей. В пространстве между ИИ и вычислительной наукой есть много места для инноваций». — сказал Комуцакос.
Документ Nature Machine Intelligence был написан в соавторстве с Георгиосом Арампацисом (Гарвард/ETH Цюриха) и Кэролайн Улер (MIT).
Теги: ИИ, суперкомпьютер
