Vorhersagen, wie sich das Klima und die Umwelt im Laufe der Zeit verändern werden oder wie Luft über ein Flugzeug strömt, sind selbst für die leistungsstärksten Supercomputer zu komplex, um sie zu lösen. Wissenschaftler verlassen sich auf Modelle, um die Lücke zwischen dem, was sie simulieren können, und dem, was sie vorhersagen müssen, zu schließen. Aber wie jeder Meteorologe weiß, beruhen Modelle oft auf unvollständigen oder sogar fehlerhaften Informationen, die zu schlechten Vorhersagen führen können.
Jetzt bilden Forscher der Harvard John A. Paulson School of Engineering and Applied Sciences (SEAS) sogenannte „intelligente Legierungen“, die die Leistungsfähigkeit der Computerwissenschaft mit künstlicher Intelligenz kombinieren, um Modelle zu entwickeln, die Simulationen ergänzen, um die Entwicklung der Wissenschaft vorherzusagen komplexesten Systeme.
In einer Veröffentlichung in NaturkommunikationPetros Koumoutsakos, Herbert S. Winokur, Jr. Professor für Ingenieurwissenschaften und angewandte Wissenschaften, und Co-Autorin Jane Bae, ehemalige Postdoktorandin am Institute of Applied Computational Science bei SEAS, kombinierten Reinforcement Learning mit numerischen Methoden zur Berechnung turbulenter Strömungen der komplexesten Prozesse im Engineering.
Reinforcement-Learning-Algorithmen sind das maschinelle Äquivalent zu BF Skinners Experimenten zur Verhaltenskonditionierung. Skinner, von 1959 bis 1974 Edgar-Pierce-Professor für Psychologie in Harvard, trainierte bekanntermaßen Tauben für das Ping-Pong-Spiel, indem er den vogelartigen Konkurrenten belohnte, der einen Ball an seinem Gegner vorbeipicken konnte. Die Belohnungen verstärkten Strategien wie Cross-Table-Shots, die oft zu einem Punkt und einem leckeren Leckerbissen führten.
In den intelligenten Legierungen werden die Tauben durch maschinelle Lernalgorithmen (oder Agenten) ersetzt, die durch Interaktion mit mathematischen Gleichungen lernen.
„Wir nehmen eine Gleichung und spielen ein Spiel, bei dem der Agent lernt, die Teile der Gleichungen zu vervollständigen, die wir nicht lösen können“, sagte Bae, der jetzt Assistenzprofessor am California Institute of Technology ist. „Die Agenten fügen Informationen aus den Beobachtungen hinzu, die die Berechnungen auflösen können, und verbessern dann das Ergebnis der Berechnung.“
„In vielen komplexen Systemen wie Turbulenzströmungen kennen wir die Gleichungen, aber wir werden nie die Rechenleistung haben, um sie genau genug für Ingenieur- und Klimaanwendungen zu lösen“, sagte Koumoutsakos. „Durch den Einsatz von Reinforcement Learning können viele Agenten lernen, hochmoderne Computertools zu ergänzen, um die Gleichungen genau zu lösen.“
Mit diesem Verfahren konnten die Forscher herausfordernde turbulente Strömungen, die mit festen Wänden wie einer Turbinenschaufel interagieren, genauer vorhersagen als aktuelle Methoden.
„Es gibt ein riesiges Anwendungsspektrum, da jedes technische System, von Offshore-Windkraftanlagen bis hin zu Energiesystemen, Modelle für die Wechselwirkung der Strömung mit dem Gerät verwendet, und wir können diese Multi-Agenten-Verstärkungsidee verwenden, um Modelle zu entwickeln, zu erweitern und zu verbessern“, sagte er Baby
In einem zweiten Artikel, veröffentlicht in Natur-Maschinen-Intelligenznutzten Koumoutsakos und seine Kollegen maschinelle Lernalgorithmen, um Vorhersagen in Simulationen komplexer Prozesse zu beschleunigen, die über lange Zeiträume stattfinden. Nehmen Sie die Morphogenese, den Prozess der Differenzierung von Zellen in Gewebe und Organe. Das Verständnis jedes Schrittes der Morphogenese ist entscheidend für das Verständnis bestimmter Krankheiten und Organdefekte, aber kein Computer ist groß genug, um jeden Schritt der Morphogenese über Monate abzubilden und zu speichern.
„Wenn ein Prozess in Sekundenschnelle abläuft und man verstehen möchte, wie er funktioniert, braucht man eine Kamera, die Bilder in Millisekunden aufnimmt“, sagt Koumoutsakos. „Aber wenn dieser Prozess Teil eines größeren Prozesses ist, der über Monate oder Jahre stattfindet, wie die Morphogenese, und Sie versuchen, eine Millisekundenkamera über die gesamte Zeitskala zu verwenden, vergessen Sie es – Ihnen gehen die Ressourcen aus.“
Koumoutsakos und sein Team, dem Forscher der ETH Zürich und des MIT angehörten, demonstrierten, dass KI verwendet werden kann, um reduzierte Darstellungen feinskaliger Simulationen (das Äquivalent zu experimentellen Bildern) zu erzeugen, wobei die Informationen fast so komprimiert werden, als würden große Dateien gezippt. Die Algorithmen können dann den Prozess umkehren und das reduzierte Bild wieder in seinen vollständigen Zustand bringen. Das Lösen in der reduzierten Darstellung ist schneller und verbraucht viel weniger Energieressourcen als das Ausführen von Berechnungen mit dem vollständigen Zustand.
„Die große Frage war, können wir begrenzte Instanzen reduzierter Darstellungen verwenden, um die vollständigen Darstellungen in der Zukunft vorherzusagen“, sagte Koumoutsakos.
Die Antwort war ja.
„Da die Algorithmen reduzierte Darstellungen gelernt haben, von denen wir wissen, dass sie wahr sind, brauchen sie nicht die vollständige Darstellung, um eine reduzierte Darstellung für das zu generieren, was als nächstes im Prozess kommt“, sagte Pantelis Vlachas, Doktorand bei SEAS und Erstautor von das Papier.
Durch die Verwendung dieser Algorithmen demonstrierten die Forscher, dass sie Vorhersagen tausend- bis millionenmal schneller erstellen können, als dies erforderlich wäre, um die Simulationen mit voller Auflösung auszuführen. Da die Algorithmen gelernt haben, die Informationen zu komprimieren und zu dekomprimieren, können sie dann eine vollständige Darstellung der Vorhersage generieren, die dann mit Experimenten verglichen werden kann. Die Forscher demonstrierten diesen Ansatz an Simulationen komplexer Systeme, einschließlich molekularer Prozesse und Strömungsmechanik.
„In einem Artikel verwenden wir KI, um die Simulationen durch den Aufbau intelligenter Modelle zu ergänzen. In dem anderen Artikel verwenden wir KI, um Simulationen um mehrere Größenordnungen zu beschleunigen. Als nächstes hoffen wir, zu untersuchen, wie wir diese beiden kombinieren können. Wir nennen diese Methoden Intelligente Legierungen, da die Fusion stärker sein kann als jedes einzelne der Teile. Es gibt viel Raum für Innovationen im Bereich zwischen KI und Computational Science.“ sagte Koumoutsakos.
der Natur-Maschinen-Intelligenz Das Papier wurde von Georgios Arampatzis (Harvard/ETH Zürich) und Caroline Uhler (MIT) mitverfasst.