El aprendizaje profundo, también llamado aprendizaje automático, reproduce datos para modelar escenarios de problemas y ofrecer soluciones. Sin embargo, algunos problemas de la física son desconocidos o no se pueden representar matemáticamente en detalle en una computadora. Investigadores de la Universidad de Illinois Urbana-Champaign desarrollaron unnuevo método que incorpora la física al proceso de aprendizaje automático para realizar mejores predicciones.
Los investigadores usaron turbulencias para probar su método.
"No sabemos cómo escribir matemáticamente todas las turbulencias de una manera útil. Hay incógnitas que no se pueden representar en la computadora, por lo que usamos un modelo de aprendizaje automático para descubrir las incógnitas. Lo entrenamos en amboslo que ve y las ecuaciones de gobierno físico al mismo tiempo como parte del proceso de aprendizaje. Eso es lo que lo hace mágico y funciona ", dijo el profesor Willett y jefe del Departamento de Ingeniería Aeroespacial, Jonathan Freund.
Freund dijo que la necesidad de este método era generalizada.
"Es un problema antiguo. La gente ha estado luchando por simular turbulencias y modelar las partes no representadas de ella durante mucho tiempo", dijo Freund.
Entonces él y su colega Justin Sirignano tuvieron una epifanía.
"Aprendimos que si intentas hacer el aprendizaje automático sin considerar las ecuaciones de gobierno conocidas de la física, no funcionó. Las combinamos y funcionó".
Al diseñar un avión o una nave espacial, Freund dijo que este método ayudará a los ingenieros a predecir si un diseño que involucre flujo turbulento funcionará para sus objetivos. Podrán hacer un cambio, ejecutarlo nuevamente para obtener una predicción del calortransferir o levantar, y predecir si su diseño es mejor o peor.
"Cualquiera que quiera hacer simulaciones de fenómenos físicos puede usar este nuevo método. Tomarían nuestro enfoque y cargarían datos en su propio software. Es un método que admitiría otra física desconocida. Y los resultados observados de esa física desconocida podríanser cargado para el entrenamiento ", dijo Freund.
El trabajo se realizó utilizando la instalación de supercomputación en el Centro Nacional de Supercomputación en UIUC conocida como Blue Waters, lo que hace que la simulación sea más rápida y, por lo tanto, más rentable.
El siguiente paso es utilizar el método en flujos de turbulencia más realistas.
"El flujo turbulento que usamos para demostrar el método es una configuración muy simple", dijo Freund. "Los flujos reales son más complejos. También me gustaría usar el método para turbulencias con llamas en él, un tipo adicionalde la física. Es algo que planeamos seguir desarrollando en el nuevo Centro de Diseño Scramjet habilitado para Exascale, ubicado en NCSA. "
Freund dijo que este trabajo está a nivel de investigación, pero que potencialmente puede afectar a la industria en el futuro.
"Las universidades estuvieron muy activas en las primeras simulaciones de turbulencias, luego la industria las recogió. Las primeras simulaciones de remolinos grandes basadas en universidades parecían increíblemente caras en los años 80 y 90. Pero ahora las empresas hacen simulaciones de remolinos grandes. Esperamos esta predicciónLa capacidad seguirá un camino similar. Puedo ver un día en el futuro con mejores técnicas y computadoras más rápidas que las empresas comenzarán a usarlo ".
Fuente de la historia :
Materiales proporcionado por Facultad de Ingeniería Grainger de la Universidad de Illinois . Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :