Новый инструмент для моделирования материалов
|
|
Термореактивные полимеры, полученные из композиционных материалов, дают нам все - от арматуры бетонных мостов до крыльев реактивных самолетов и корпусов лодок из стекловолокна. Миссия Филиппа Гюбеля - создавать эти композиты, используя методы, которые быстрее, дешевле и энергоэффективнее традиционных. Гюбель, доктор философии, профессор инженерных наук в Университете Иллинойса в Урбане-Шампейне и исполнительный заместитель декана инженерного колледжа Грейнджера, работает с междисциплинарной группой автономных систем материалов в университетском институте Бекмана над моделированием фронтальной полимеризации - метода, который превращает жидкие мономеры в твердые полимеры с помощью химической реакции.
|
|
"Всякий раз, когда мы проводим моделирование, это занимает некоторое время, потому что численно очень сложно уловить этот фронт, который распространяется по структуре", - сказал он. "Существует множество параметров, которые определяют этот процесс. Мы хотим знать, что произойдет, если я изменю химический состав или температуру, при которой я это делаю? Что, если я изменю окружающую среду?" Команда уже создавала компьютерные модели этого процесса, но Гюбель решил, что использование машинного обучения может ускорить моделирование. Он обратился к NCSA, где работают эксперты в области машинного обучения и искусственного интеллекта, и к Illinois Computes, программе, которая объединяет вычислительные ресурсы и хранилища данных NCSA, технических экспертов и службы поддержки с исследователями по всему кампусу в Иллинойсе.
|
|
"Мы воспользовались преимуществами этой замечательной программы под названием Illinois Computes. Основная цель этой программы на самом деле состоит в том, чтобы объединить исследователей в кампусе с исследователями в NCSA, и в NCSA есть очень хорошая группа, которая занимается машинным обучением и искусственным интеллектом, включая использование машинного обучения для решения дифференциальных уравнений в частных производных, чем мы и занимаемся", - сказал Гюбель, доктор философии, профессор Bliss профессор инженерного дела в Иллинойском университете Урбана-Шампейн и исполнительный заместитель декана инженерного колледжа Грейнджер. Гюбель и ассистент-постдокторант Цибанг Лю работали в паре с Сеидом Коричем, доктором философии, техническим заместителем директора NCSA и профессором-исследователем в области механики и инженерии, и Диабом У. Д. Абуэйддой, научным сотрудником NCSA. Корик руководит проектами, в которых используются новейшие достижения в области искусственного интеллекта и машинного обучения, чтобы помочь ученым запускать модели и находить ответы быстрее и точнее.
|
|
Они создали различные продвинутые модели искусственного интеллекта для работы на высокопроизводительных компьютерах, предварительно обучив искусственную нейронную сеть - процесс глубокого обучения на основе ML, который использует взаимосвязанные узлы в многоуровневой структуре, напоминающей человеческий мозг. Передавая нейронным сетям различные значения обучающих данных, модель учится на примере и может быть обучена распознавать закономерности в данных, находить связи и прогнозировать результаты. "Для обучения этих сетей обычно требуется много данных, сгенерированных классическими численными методами, чтобы уменьшить ошибки прогнозирования, что требует больших вычислительных затрат", - сказал Абуэйдда. "Но когда эти сети должным образом обучены, они могут получать результаты на порядки быстрее, чем классические вычислительные методы для новых входных данных".
|
|
Корик и Абуэйдда разработали новый способ сокращения объема данных, необходимых для точного обучения нейронной сети, путем отслеживания эволюции ошибки, определяемой непосредственно из базовых дифференциальных уравнений в частных производных. Сосредоточив текущее обучение сети на измерении погрешности, полученном из физических данных (управляющих уравнений), команда смогла найти и обработать данные из областей модели, которые были наименее точными, и, таким образом, значительно сократила количество обучающих данных, необходимых для разработки точной модели. "Возможность точно определить области, требующие улучшения, и сосредоточиться на них, может значительно ускорить весь процесс", - сказал Корик. - Выбрав для загрузки в систему данные с большими ошибками, полученные из physical insights, вместо того, чтобы генерировать большой объем данных вслепую, мы нашли способ уменьшить необходимость в создании большого количества обучающих данных".
|
|
Гюбель добавил: "Если вы будете делать это случайным образом, я бы сказал, что, возможно, 40% обучающих примеров, которые вы решаете, бесполезны, потому что на самом деле они не сильно улучшают систему. Вы прилагаете все усилия для обучения сети в регионе, где ошибка велика. В этом и заключается адаптивная природа процесса". Для запуска своих моделей команда использовала суперкомпьютер Delta от NCSA. Система предлагает как центральный процессор, так и более быстрые графические процессоры, и одним из усилий Лю было сотрудничество с NCSA по адаптации кодов, написанных для центральных и графических процессоров. На данный момент результатом сотрудничества стала статья в журнале Journal of Physical Chemistry. Команда также получила еще один раунд поддержки от Illinois Computes для продолжения своей работы.
|
|
"Мы преодолеваем разрозненность и действительно эффективно сотрудничаем в рамках Illinois Computes. Каждый использует свой собственный опыт, и мы решаем сложные или неразрешимые проблемы с помощью машинного обучения, искусственного интеллекта и высокопроизводительных вычислений", - сказал Корик. "Я генерирую данные с центрального процессора, а затем передаю их на графический процессор", - сказал Лю. "На самом деле это занимает немного времени, но с нейронной сетью мы хотим использовать графические процессоры, потому что они намного быстрее". Подход ML к моделированию фронтальной полимеризации также позволил команде гораздо эффективнее изучить и решить обратную задачу на производстве, то есть найти набор технологических условий, определяемых такими переменными, как начальная температура, степень отверждения смолы, теплопотери и т.д., которые приводят к оптимальному результату. предписанная схема изготовления. По словам Гюбелле, решение обратной задачи имеет решающее значение для таких процессов, как 3D-печать, поскольку в этом случае можно загружать микроструктуры в принтер, в результате чего получается законченная макроструктура.
|
|
"Если вы скажете мне, какая микроструктура мне нужна для этого, я могу отправить ее и заказать изготовление", - сказал он. "Но чтобы решить эту обратную задачу, вам нужно уметь решать прямую задачу очень, очень быстро, и именно здесь на помощь приходит машинное обучение". Машинное обучение и искусственный интеллект, а также новые адаптивные процессы глубокого обучения, разработанные в сотрудничестве с NCSA, позволяют Гейбеллу и его команде моделировать задачу фронтальной полимеризации за секунды, а не за часы. Такая скорость важна для обратного проектирования из-за огромного количества задействованных параметров. Гюбель сказал, что его группа работала над ускорением процесса обратного проектирования с использованием традиционных методов, но этот процесс все еще был слишком медленным.
|
|
Новый проект позволит команде продолжить решение задач многомасштабного моделирования композитных полимеров с использованием новых искусственных нейронных сетей, включая методы генеративного ИИ. Он также позволит углубиться в работу, в которой в качестве входных данных используется целевой дизайн материала, а в качестве результатов - переменные дизайна. По словам Корича, ожидается, что эта "одноразовая" обратная модель будет значительно более эффективной, чем более традиционные методы обратного моделирования. По словам Корича, поскольку модели ML и искусственный интеллект продолжают совершенствоваться, адаптивная система обучения, разработанная NCSA, может быть применима ко многим другим областям науки, включая различные инженерные дисциплины, медицину, геологию и сейсмические исследования.
|
|
Владимир Киндратенко, директор Центра инноваций в области искусственного интеллекта (CAII) в NCSA, отметил, что работа с Geubelle и более крупной исследовательской группой в Институте Бекмана выводит Университет Иллинойса на передний план инновационных совместных исследований в области искусственного интеллекта. "Эта работа является отличным примером того, что мы называем исследованиями в области трансляционного ИИ", - сказал Киндратенко. "Команда Корича использует существующую методологию ML и использует ее по-новому для решения проблем в научной области, где никто даже не думал, что это возможно. Таким образом, команда продвигает область ОД за счет новых разработок и создает цикл инноваций как в области ОД, так и в области вычислительной техники. Затем эта работа может послужить основой для других исследователей в их соответствующих областях".
|
|
Корик сказал, что проект также устраняет барьеры, которые по-прежнему мешают специалистам в области технологий и науки работать раздельно. "Если вы посмотрите на такого рода исследования, люди, как правило, делятся на два лагеря", - сказал он. "С одной стороны, у вас есть ученые-компьютерщики, которые проводят свои фундаментальные вычислительные исследования в области искусственного интеллекта и машинного обучения, а с другой стороны, у вас есть ученые-прикладники и инженеры, которые используют традиционные вычислительные методы, но стремятся вывести свои исследования на новый уровень с помощью методов AI/ML. "Команда Корика берет существующую методологию ML и использует ее по-новому для решения проблем в научной области, где никто даже не думал, что это возможно. Поступая таким образом, команда продвигает область ML за счет новых разработок и создает цикл инноваций как в области ML, так и в области вычислительной техники", - сказал Киндратенко.
|
|
"Мы преодолеваем разрозненность и действительно эффективно сотрудничаем в рамках Illinois Computes. Каждый использует свой собственный опыт, и мы решаем сложные или неразрешимые проблемы с помощью машинного обучения, искусственного интеллекта и высокопроизводительных вычислений". Брендан Макгинти (Brendan McGinty), директор отраслевой партнерской программы NCSA, отметил, что частный сектор стремится внедрить ИИ, и работа NCSA еще больше повышает влияние ИИ. "Д-р Корик и д-р Гюбель продолжают внедрять искусственный интеллект в моделирование, в частности, для решения проблем производства полимеров", - сказал Макгинти. "Они показывают, что более глубокие и быстрые улучшения моделей возможны благодаря сочетанию искусственного интеллекта, моделирования и знаний в предметной области с высокопроизводительными вычислениями для максимального повышения эффективности. В корпоративном плане это приводит к повышению конкурентоспособности и окупаемости инвестиций".
|
|
Источник
|