Combiner l’IA et la science informatique pour des prédictions meilleures, plus rapides et économes en énergie

Des prévisions meilleures, plus rapides et économes en énergie

Schéma de la configuration SciMARL. Les agents sont répartis uniformément le long du mur, chaque agent obtenant des informations d’état hauteur normale du mur hm loin du mur, calculant la récompense au niveau du mur et fournissant à la politique π pour obtenir des actions a pour le pas de temps suivant. Crédit: Communication Nature (2022). DOI : 10.1038/s41467-022-28957-7

Prévoir l’évolution du climat et de l’environnement au fil du temps ou la circulation de l’air au-dessus d’un avion sont des problèmes trop complexes à résoudre, même pour les superordinateurs les plus puissants. Les scientifiques s’appuient sur des modèles pour combler l’écart entre ce qu’ils peuvent simuler et ce qu’ils doivent prédire. Mais, comme le savent tous les météorologues, les modèles reposent souvent sur des informations partielles, voire erronées, qui peuvent conduire à de mauvaises prédictions.

Aujourd’hui, des chercheurs de la Harvard John A. Paulson School of Engineering and Applied Sciences (SEAS) forment ce qu’ils appellent des “alliages intelligents”, combinant la puissance de la science informatique avec l’intelligence artificielle pour développer des modèles qui complètent les simulations pour prédire l’évolution de la science. systèmes les plus complexes.

Dans un article publié dans Communication NaturePetros Koumoutsakos, professeur d’ingénierie et de sciences appliquées Herbert S. Winokur, Jr. et co-auteur Jane Bae, ancienne boursière postdoctorale à l’Institute of Applied Computational Science at SEAS, a combiné l’apprentissage par renforcement avec des méthodes numériques pour calculer les écoulements turbulents, l’un des processus les plus complexes de l’ingénierie.

Les algorithmes d’apprentissage par renforcement sont l’équivalent machine des expériences de conditionnement comportemental de BF Skinner. Skinner, professeur de psychologie Edgar Pierce à Harvard de 1959 à 1974, a entraîné des pigeons célèbres à jouer au ping-pong en récompensant le concurrent aviaire qui pouvait picorer une balle devant son adversaire. Les récompenses renforçaient les stratégies telles que les tirs croisés qui se traduisaient souvent par un point et une gâterie savoureuse.

Dans les alliages intelligents, les pigeons sont remplacés par des algorithmes d’apprentissage automatique (ou agents) qui apprennent en interagissant avec des équations mathématiques.

“Nous prenons une équation et jouons à un jeu où l’agent apprend à compléter les parties des équations que nous ne pouvons pas résoudre”, a déclaré Bae, qui est maintenant professeur adjoint au California Institute of Technology. “Les agents ajoutent des informations à partir des observations que les calculs peuvent résoudre, puis ils améliorent ce que le calcul a fait.”






“Dans de nombreux systèmes complexes comme les flux de turbulence, nous connaissons les équations, mais nous n’aurons jamais la puissance de calcul pour les résoudre avec suffisamment de précision pour les applications d’ingénierie et de climat”, a déclaré Koumoutsakos. “En utilisant l’apprentissage par renforcement, de nombreux agents peuvent apprendre à compléter les outils informatiques de pointe pour résoudre les équations avec précision.”

En utilisant ce processus, les chercheurs ont pu prédire des écoulements turbulents difficiles interagissant avec des parois solides, telles qu’une aube de turbine, avec plus de précision que les méthodes actuelles.

“Il existe une vaste gamme d’applications car chaque système d’ingénierie, des éoliennes offshore aux systèmes énergétiques, utilise des modèles pour l’interaction du flux avec l’appareil et nous pouvons utiliser cette idée de renforcement multi-agents pour développer, augmenter et améliorer les modèles”, a déclaré Bébé.

Des prévisions meilleures, plus rapides et économes en énergie

LED multi-échelles. Crédit: Intelligence des machines naturelles (2022). DOI : 10.1038/s42256-022-00464-w

Dans un deuxième article, publié en Intelligence des machines naturelles, Koumoutsakos et ses collègues ont utilisé des algorithmes d’apprentissage automatique pour accélérer les prédictions dans les simulations de processus complexes qui se déroulent sur de longues périodes. Prenez la morphogenèse, le processus de différenciation des cellules en tissus et organes. Comprendre chaque étape de la morphogenèse est essentiel pour comprendre certaines maladies et certains défauts d’organes, mais aucun ordinateur n’est assez grand pour imager et stocker chaque étape de la morphogenèse pendant des mois.

“Si un processus se déroule en quelques secondes et que vous voulez comprendre comment cela fonctionne, vous avez besoin d’un appareil photo qui prend des photos en quelques millisecondes”, a déclaré Koumoutsakos. “Mais si ce processus fait partie d’un processus plus large qui se déroule sur des mois ou des années, comme la morphogenèse, et que vous essayez d’utiliser une caméra milliseconde sur toute cette échelle de temps, oubliez ça, vous manquez de ressources.”

Koumoutsakos et son équipe, qui comprenait des chercheurs de l’ETH Zurich et du MIT, ont démontré que l’IA pouvait être utilisée pour générer des représentations réduites de simulations à petite échelle (l’équivalent d’images expérimentales), en compressant les informations presque comme si on compressait de gros fichiers. Les algorithmes peuvent alors inverser le processus, ramenant l’image réduite à son état complet. La résolution dans la représentation réduite est plus rapide et utilise beaucoup moins de ressources énergétiques que d’effectuer des calculs avec l’état complet.

“La grande question était de savoir si nous pouvions utiliser des instances limitées de représentations réduites pour prédire les représentations complètes à l’avenir”, a déclaré Koumoutsakos.

La réponse était oui.

“Parce que les algorithmes ont appris des représentations réduites dont nous savons qu’elles sont vraies, ils n’ont pas besoin de la représentation complète pour générer une représentation réduite pour ce qui vient ensuite dans le processus”, a déclaré Pantelis Vlachas, étudiant diplômé à SEAS et premier auteur de le papier.

En utilisant ces algorithmes, les chercheurs ont démontré qu’ils pouvaient générer des prédictions des milliers à un million de fois plus rapidement qu’il n’en faudrait pour exécuter les simulations à pleine résolution. Parce que les algorithmes ont appris à compresser et décompresser les informations, ils peuvent alors générer une représentation complète de la prédiction, qui peut ensuite être comparée à des expériences. Les chercheurs ont démontré cette approche sur des simulations de systèmes complexes, y compris les processus moléculaires et la mécanique des fluides.

“Dans un article, nous utilisons l’IA pour compléter les simulations en construisant des modèles intelligents. Dans l’autre article, nous utilisons l’IA pour accélérer les simulations de plusieurs ordres de grandeur. Ensuite, nous espérons explorer comment combiner ces deux. Nous appelons ces méthodes Des alliages intelligents, car la fusion peut être plus solide que chacune des pièces. Il y a beaucoup de place pour l’innovation dans l’espace entre l’IA et la science computationnelle.” dit Koumoutsakos.

le Intelligence des machines naturelles l’article a été co-écrit par Georgios Arampatzis (Harvard/ETH Zurich) et Caroline Uhler (MIT).


Des chercheurs calculent la turbulence avec l’intelligence artificielle


Plus d’information:
H. Jane Bae et al, Apprentissage scientifique par renforcement multi-agents pour les modèles de parois d’écoulements turbulents, Communication Nature (2022). DOI : 10.1038/s41467-022-28957-7

Pantelis R. Vlachas et al, Simulations multi-échelles de systèmes complexes par l’apprentissage de leur dynamique effective, Intelligence des machines naturelles (2022). DOI : 10.1038/s42256-022-00464-w

Fourni par Harvard John A. Paulson School of Engineering and Applied Sciences

Citation: Combiner l’IA et la science computationnelle pour des prévisions meilleures, plus rapides et économes en énergie (8 avril 2022) récupéré le 8 avril 2022 sur https://techxplore.com/news/2022-04-combining-ai-science-faster-energy.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation loyale à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.