Peneliti Argonne mengembangkan pengoptimal pembelajaran mesin untuk memangkas biaya desain produk


Peneliti Argonne mengembangkan pengoptimal pembelajaran mesin untuk memangkas biaya desain produk

  • Kredit: (Gambar oleh Shutterstock / Roman Zaiets.)

  • Animasi ini menunjukkan pendekatan ActivO untuk soal tes 2D. Ini menunjukkan representasi pelajar yang kuat (kiri), representasi pelajar yang lemah (tengah), dan peningkatan tujuan desain (kanan).

    Kredit: (Gambar oleh Argonne National Laboratory.)

    Animasi ini menunjukkan pendekatan ActivO untuk soal tes 2D. Ini menunjukkan representasi pelajar yang kuat (kiri), representasi pelajar yang lemah (tengah), dan peningkatan tujuan desain (kanan).


Argonne baru AI teknik dapat mempercepat desain dan simulasi mesin dan semua jenis produk lainnya.

Simulasi komputer adalah bagian penting dari proses pengoptimalan desain produk, memungkinkan para insinyur untuk menguji berbagai konfigurasi dan memilih desain terbaik di antara banyak alternatif yang berbeda. Tetapi bahkan di fasilitas seperti Departemen Energi AS (KELINCI BETINA) Laboratorium Nasional Argonne, dengan sumber daya yang canggih, simulasi bisa sangat mahal dan membutuhkan waktu lama untuk dijalankan.

Dengan tujuan mempercepat proses desain ini, tim peneliti di Sistem Energi Argonne (INI), terdiri dari Opeoluwa Owoyele yang diangkat pascadoktoral dan ilmuwan riset Pinaki Pal, baru-baru ini mengembangkan alat pengoptimalan desain baru yang disebut ActivO. Alat baru ini secara drastis dapat mengurangi waktu yang dibutuhkan untuk menemukan desain terbaik.

Ini menggunakan teknik pembelajaran mesin baru yang membantu pengguna fokus pada cara menargetkan sumber daya komputasi secara paling efisien. (Pembelajaran mesin adalah aplikasi kecerdasan buatan yang memungkinkan sistem belajar dan meningkatkan secara otomatis dari pengalaman.)

ActivO menjalankan simulasi dengan cara yang sangat cerdas dan dengan cepat mengidentifikasi bagian dari ruang desain yang harus kita fokuskan, ”jelas Pal. orang Proses yang biasanya membutuhkan waktu dua hingga tiga bulan untuk memberikan Anda desain yang optimal sekarang dapat diselesaikan dalam waktu sekitar satu minggu. ”

Pendekatan ActivO berhasil didemonstrasikan untuk digunakan dalam mengoptimalkan mesin pembakaran – bidang minat aktif untuk Owoyele dan Pal – dalam sebuah artikel yang diterbitkan oleh American Society of Mechanical Engineers (SEPERTI SAYA), sebagai bagian dari Kejatuhannya 2019 Konferensi Teknis Divisi Mesin Pembakaran Internasional. Artikel juga akan segera muncul di SEPERTI SAYA Jurnal Teknologi Sumber Daya Energi.

Menurut Owoyele, yang merupakan penulis utama makalah dengan Pal, ActivO adalah algoritme hibrid yang memanfaatkan kekuatan dua model pengganti pembelajaran mesin yang berbeda untuk mendapatkan kinerja yang unggul.

Model pembelajaran mesin dirancang untuk bekerja secara kooperatif. Daripada menjalankan simulasi yang diambil sampelnya secara acak, salah satu model memungkinkan kita untuk menjelajahi ruang desain secara adaptif, yang pada dasarnya memandu kita ke wilayah yang paling mungkin berisi optimal global. Dan model lainnya mencari di wilayah yang menjanjikan tersebut dan melakukan penelusuran lokal untuk mengidentifikasi lokasi yang tepat dari optimal global. “

Pendekatan ini memanfaatkan pengganti pembelajaran mesin kemengeksplorasi ”danmemanfaatkan ”ruang desain dengan cara yang lebih seimbang dan efisien daripada teknik evolusi tradisional yang digunakan dalam industri, seperti algoritme genetika. Akibatnya, Owoyele mengatakan ActivO menyatu dengan optimal global hampir satu urutan lebih cepat.

Pal menambahkan bahwa ActivO berjalan dalam sejumlah kecil simulasi, membuatnya sangat berharga bagi pengguna industri, karena mereka seringkali tidak memiliki kekuatan komputasi untuk menjalankan serangkaian besar simulasi.

Sementara Owoyele dan Pal memiliki aplikasi paten yang menunggu keputusan untuk teknologi perangkat lunak ini, mereka mengatakan bahwa ActivO pada dasarnya siap untuk digunakan. Pekerjaan mereka sejauh ini berfokus terutama pada mesin otomotif, tetapi mereka juga melihat aplikasi lain yang berpotensi berguna.

ActivO sangat cocok untuk mengeksplorasi ruang desain yang khas dari mesin pembakaran di industri otomotif dan dirgantara, ”kata Owoyele. orang Tapi itu juga bisa digunakan untuk pengoptimalan desain untuk produk umum. Ini dapat dengan mudah diadopsi oleh industri untuk meningkatkan alur kerja desain mereka, yang akan memangkas biaya desain produk. Ada peluang komersialisasi yang signifikan dalam hal ini. “

Dalam membantu menurunkan biaya desain untuk industri, Pal mengatakan ada manfaat jangka panjang yang lebih penting. orang Gambaran besarnya adalah untuk memungkinkan efisiensi energi dan menurunkan dampak lingkungan dari mesin ini. Jadi pada akhirnya, itulah alasan kami ingin merancang mesin yang lebih baik dan lebih inovatif. ”

Kedua peneliti menunjuk ke fasilitas komputasi berkinerja tinggi yang sangat besar di Argonne yang memverifikasi dan memvalidasi algoritme yang ada di jantung pengoptimal ActivO. orang Sumber daya komputasi yang kami miliki di Argonne memungkinkan kami melakukan itu dengan cukup ketat, ”kata Pal.

Dukungan pendanaan untuk pengembangan ActivO berasal KELINCI BETINAKantor Transisi Teknologi dan Kantor Efisiensi Energi dan Kantor Teknologi Kendaraan Energi Terbarukan. Para peneliti menggunakanBlues ”danBebop ”cluster komputasi berkinerja tinggi di Pusat Sumber Daya Komputasi Laboratorium Argonne untuk membantu mendapatkan hasil.

Kantor Efisiensi Energi dan Energi Terbarukan mendukung penelitian tahap awal dan pengembangan efisiensi energi dan teknologi energi terbarukan untuk memperkuat pertumbuhan ekonomi AS, keamanan energi, dan kualitas lingkungan.

Laboratorium Nasional Argonne mencari solusi untuk menekan masalah nasional dalam ilmu pengetahuan dan teknologi. Laboratorium nasional pertama bangsa, Argonne melakukan penelitian ilmiah dasar dan terapan terdepan di hampir setiap disiplin ilmu. Peneliti Argonne bekerja erat dengan para peneliti dari ratusan perusahaan, universitas, dan federal, lembaga negara bagian dan kota untuk membantu mereka memecahkan masalah spesifik mereka, memajukan kepemimpinan ilmiah Amerika dan mempersiapkan bangsa untuk masa depan yang lebih baik. Dengan karyawan lebih dari 60 negara, Argonne dikelola oleh UChicago Argonne, LLC untuk Kantor Sains Departemen Energi AS.

Kantor Ilmu Pengetahuan Departemen Energi AS adalah pendukung terbesar penelitian dasar dalam ilmu fisika di Amerika Serikat dan sedang berupaya untuk mengatasi beberapa tantangan paling mendesak di zaman kita. Untuk informasi lebih lanjut, kunjungi https: // ener gy .gov / s c ience.

Diposting Oleh : https://singaporeprize.co/

About the author