8 آوریل 2022 -توسط لیا باروز، دانشکده مهندسی و علوم کاربردی هاروارد A. Paulson
نمودار راه اندازی SciMARL. عوامل به طور مساوی در امتداد دیوار توزیع می شوند، با هر عامل اطلاعات وضعیت دیوار- ارتفاع معمولی hm دور از دیوار، محاسبه ذخیره در دیوار و ارائه به خط مشی π برای به دست آوردن اقدامات a برای مرحله زمانی بعدی. اعتبار: Nature Communications (2022). DOI: 10.1038/s41467-022-28957-7
پیش‌بینی اینکه چگونه آب و هوا و محیط در طول زمان تغییر می‌کند یا اینکه چگونه هوا بر فراز هواپیما جریان می‌یابد، حتی با قدرتمندترین ابررایانه‌ها هم نمی‌توان آنها را حل کرد، بسیار پیچیده است. دانشمندان برای پر کردن شکاف بین آنچه که می‌توانند شبیه‌سازی کنند و آنچه باید پیش‌بینی کنند، به مدل‌هایی تکیه می‌کنند. اما، همانطور که هر هواشناس می‌داند، مدل‌ها اغلب بر اطلاعات جزئی یا حتی معیوب تکیه می‌کنند که ممکن است منجر به پیش‌بینی بد شود.
اکنون، محققان دانشکده مهندسی و علوم کاربردی هاروارد جان آ. پاولسون (SEAS) در حال تشکیل چیزی هستند که آنها آن را «آلیاژهای هوشمند» می‌نامند و قدرت علم محاسباتی را با هوش مصنوعی ترکیب می‌کنند تا مدل‌هایی را ایجاد کنند که مکمل شبیه‌سازی برای پیش‌بینی تکامل علم هستند. پیچیده ترین سیستم ها
توسط پروفسور هربرت اس پروس کوموتساکوس، وینوکور جونیور، پروفسور مهندسی و علوم کاربردی و یکی از نویسندگان جین بائه، همکار سابق فوق دکتری در موسسه علوم محاسباتی کاربردی در SEAS، یادگیری تقویتی را با روش‌های عددی برای محاسبه جریان‌های آشفته، یکی از پیچیده‌ترین فرآیندها در مهندسی در مقاله ای که در Nature Communications منتشر شد،.
الگوریتم های یادگیری تقویتی معادل ماشینی آزمایش های شرطی سازی رفتاری B.F. Skinner هستند. استاد روانشناسی ادگار پیرس اسکینر، در هاروارد از سال 1959 تا 1974، کبوترها را برای بازی پینگ پنگ با پاداش دادن به رقیب پرندگانی که می توانست توپی را از مقابل حریفش نوک بزند، آموزش داد. این جوایز استراتژی‌هایی مانند ضربات روی میز را تقویت می‌کرد که اغلب منجر به یک امتیاز و یک خوراکی خوشمزه می‌شد.
در آلیاژهای هوشمند، کبوترها با الگوریتم های یادگیری ماشینی (یا عوامل) جایگزین می شوند که با تعامل با معادلات ریاضی یاد می گیرند.
Bae که اکنون استادیار موسسه فناوری کالیفرنیا است، گفت: “ما یک معادله را انتخاب می کنیم و یک بازی انجام می دهیم که در آن عامل در حال یادگیری تکمیل بخش هایی از معادلات است که ما نمی توانیم آنها را حل کنیم.” “عامل ها اطلاعاتی را از مشاهداتی که محاسبات می توانند حل کنند اضافه می کنند و سپس آنچه را که محاسبات انجام داده است بهبود می بخشند.”
کوموتساکوس گفت: «در بسیاری از سیستم‌های پیچیده مانند جریان‌های تلاطم، ما معادلات را می‌دانیم، اما هرگز قدرت محاسباتی برای حل دقیق آنها را برای کاربردهای مهندسی و آب و هوا نخواهیم داشت». “با استفاده از یادگیری تقویتی، بسیاری از عوامل می توانند یاد بگیرند که ابزارهای محاسباتی پیشرفته را برای حل دقیق معادلات تکمیل کنند.”
با استفاده از این فرآیند، محققان توانستند جریان‌های آشفته چالش‌برانگیز در تعامل با دیواره‌های جامد، مانند پره‌های توربین، را با دقت بیشتری نسبت به روش‌های فعلی پیش‌بینی کنند.
بانه گفت: طیف وسیعی از کاربردها وجود دارد زیرا هر سیستم مهندسی از توربین‌های بادی دریایی گرفته تا سیستم‌های انرژی از مدل‌هایی برای تعامل جریان با دستگاه استفاده می‌کند و ما می‌توانیم از این ایده تقویت‌کننده چند عاملی برای توسعه، تقویت و بهبود مدل‌ها استفاده کنیم.
LED چند مقیاسی اعتبار: هوش ماشین طبیعت (2022). DOI: 10.1038/s42256-022-00464-w
در مقاله دوم که در Nature Machine Intelligence منتشر شد، کوموتساکوس و همکارانش از الگوریتم‌های یادگیری ماشین برای تسریع پیش‌بینی‌ها در شبیه‌سازی فرآیندهای پیچیده که در دوره‌های زمانی طولانی انجام می‌شوند، استفاده کردند. مورفوژنز، فرآیند تمایز سلول ها به بافت ها و اندام ها را در نظر بگیرید. درک هر مرحله از مورفوژنز برای درک برخی بیماری ها و نقایص اندام ضروری است، اما هیچ کامپیوتری به اندازه کافی بزرگ نیست که بتواند هر مرحله از مورفوژنز را در طول ماه ها تصویربرداری و ذخیره کند.
کوموتساکوس می گوید: «اگر فرآیندی در عرض چند ثانیه اتفاق بیفتد و بخواهید بفهمید که چگونه کار می کند، به دوربینی نیاز دارید که در چند میلی ثانیه عکس می گیرد. اما اگر این فرآیند بخشی از یک فرآیند بزرگ‌تر است که طی ماه‌ها یا سال‌ها اتفاق می‌افتد، مانند مورفوژنز، و شما سعی می‌کنید از یک دوربین میلی‌ثانیه‌ای در کل این مقیاس زمانی استفاده کنید، آن را فراموش کنید – منابع شما تمام می‌شود.»
کوموتساکوس و تیمش که شامل محققانی از ETH زوریخ و MIT می‌شد، نشان دادند که هوش مصنوعی می‌تواند برای تولید نمایش‌های کاهش‌یافته شبیه‌سازی‌های در مقیاس خوب (معادل تصاویر تجربی)، فشرده‌سازی اطلاعات تقریباً مانند فشرده‌سازی فایل‌های بزرگ استفاده شود. سپس الگوریتم ها می توانند روند را معکوس کنند و تصویر کاهش یافته را به حالت کامل خود برگردانند. حل در نمایش کاهش یافته سریعتر است و از منابع انرژی بسیار کمتری نسبت به انجام محاسبات با حالت کامل استفاده می کند.
کوموتساکوس گفت: «سوال بزرگ این بود که آیا می‌توانیم از نمونه‌های محدودی از کاهش بازنمایی‌ها برای پیش‌بینی نمایش‌های کامل در آینده استفاده کنیم؟»
پاسخ مثبت بود.
پانتلیس ولاچاس، دانشجوی کارشناسی ارشد در SEAS و اولین نویسنده با استفاده از این الگوریتم‌ها، محققان نشان دادند که می‌توانند پیش‌بینی‌هایی را هزاران تا یک میلیون برابر سریعتر از آنچه برای اجرای شبیه‌سازی‌ها با وضوح کامل لازم است، ایجاد کنند. از آنجایی که الگوریتم‌ها یاد گرفته‌اند که چگونه اطلاعات را فشرده و از حالت فشرده خارج کنند، سپس می‌توانند نمایش کاملی از پیش‌بینی ایجاد کنند که سپس می‌تواند با آزمایش‌ها مقایسه شود. محققان این رویکرد را در شبیه‌سازی سیستم‌های پیچیده از جمله فرآیندهای مولکولی و مکانیک سیالات نشان دادند.
کوموتساکوس گفت : در یک مقاله، ما از هوش مصنوعی برای تکمیل شبیه‌سازی‌ها با ساخت مدل‌های هوشمندانه استفاده می‌کنیم. در مقاله دیگر، از هوش مصنوعی برای تسریع در شبیه‌سازی‌ها با چندین مرتبه بزرگی استفاده می‌کنیم. در مرحله بعد، امیدواریم نحوه ترکیب این دو را بررسی کنیم. ما این روش‌ها را می‌نامیم. آلیاژهای هوشمند به عنوان همجوشی می توانند قوی تر از هر یک از قطعات باشند. فضای زیادی برای نوآوری در فضای بین هوش مصنوعی و علوم محاسباتی وجود دارد.”
مقاله Nature Machine Intelligence توسط جورجیوس آرامپاتزیس (هاروارد/ETH زوریخ) و کارولین اوهلر MIT تالیف شد.
