28 ژانویه 2025 -توسط اندی کامینگز، مهندسی مکانیک دانشگاه کارنگی ملون
نمونه ای از ساختار مدل TEECNet با 3 لایه پنهان و ابعاد لایه پنهان 32. اعتبار: مجله فیزیک محاسباتی (2024). DOI
شبیه سازی های مهندسی اغلب به منابع محاسباتی و زمان قابل توجهی نیاز دارند که موانعی را برای کاربران ایجاد می کند و می تواند جدول زمانی پروژه را کند کند. با استفاده از روش‌های یادگیری ماشینی، محققان کشف کرده‌اند که چگونه می‌توانند نتایج شبیه‌سازی دقیق و با وضوح بالا را در حالی که از منابع بسیار کمتری استفاده می‌کنند، تولید کنند.
محققان دانشگاه کارنگی ملون یک روش نمونه‌گیری بالا به نام شبکه تصحیح خطای گسترش تیلور (TEECNet) ایجاد کرده‌اند. این شبکه عصبی در انواع مشکلات فیزیک از جمله انتقال حرارت و جریان سیال موثر است. این روش به دقت بیش از 96 درصد در افزایش داده ها دست می یابد در حالی که از منابع محاسباتی 42.76 درصد کمتری نسبت به سایر روش های نمونه گیری بالا استفاده می کند. این تحقیق در مجله Computational Physics منتشر شده است.
کریس مک‌کامب، دانشیار مهندسی مکانیک، TEECNet را با دکمه «افزایش» که در بسیاری از نمایش‌های CSI نمایش داده می‌شود، مقایسه کرد. TEECNet دقیقاً مانند اینکه چگونه آن دکمه می‌تواند وضوح عکس‌های با کیفیت پایین را بهبود بخشد، می‌تواند داده‌ها را از شبیه‌سازی‌های سریع و کم‌هزینه بگیرد و از یک الگوریتم برای افزایش کیفیت به شبیه‌سازی فشرده‌تر استفاده کند.
TEECNet با سایر روش‌های نمونه‌گیری بالا متفاوت است زیرا کارایی را در اولویت قرار می‌دهد.
ونژو ژو، دکترای دانشگاه کارنگی ملون، دانشجو و نویسنده اصلی مطالعه. می‌گوید: «اگر مدل‌ها زمان و داده کافی داشته باشند، همیشه می‌توانیم آنچه را که می‌خواهیم یاد بگیریم، اما می‌خواهیم مدل ما کارآمد و دقیق باشد».
چارچوب دو مرحله ای برای استنتاج خطای گسسته سازی در نمودارها. اعتبار: مجله فیزیک محاسباتی (2024). DOI:
Noelia Grande Gutiérrez، استادیار مهندسی مکانیک، گفت که آنها امیدوارند با تعبیه دانش فیزیک بیشتر در TEECNet، داده های بزرگ و هزینه های زمان مورد نیاز سایر روش های نمونه برداری بالا را کاهش دهند.
TEECNet در حال حاضر هنگام اجرا بر روی رایانه های کوچکتر به نتایج سریع تری می رسد. برای مثال، شبیه‌سازی‌های به کمک TEECNet که بر روی رایانه‌هایی با 48 هسته اجرا می‌شوند، به طور متوسط 47.15 درصد کاهش هزینه را به دست می‌آورند، در حالی که شبیه‌سازی‌هایی که روی رایانه‌های 12 هسته‌ای اجرا می‌شوند، به طور متوسط 68.77 درصد کاهش می‌یابند. کار آینده به دنبال حل این موضوع خواهد بود تا مقیاس مشکلاتی را افزایش دهد که TEECNet می تواند برای حل آنها استفاده شود.
