針對復雜系統(tǒng)的簡化增強的性能預測

2019-06-14 11:19:00 編輯：來源：

導讀橡樹嶺國家實驗室的研究人員為可逆Resnet開發(fā)了一種新穎的設(shè)計和訓練策略，降低了復雜物理系統(tǒng)的高維機器學習模型的維度。開發(fā)復雜物理系統(tǒng)

橡樹嶺國家實驗室的研究人員為可逆Resnet開發(fā)了一種新穎的設(shè)計和訓練策略，降低了復雜物理系統(tǒng)的高維機器學習模型的維度。

開發(fā)復雜物理系統(tǒng)的降階模型在計算上是昂貴的。ORNL研究人員開發(fā)了一種基于神經(jīng)網(wǎng)絡(luò)的方法，可以減少開發(fā)這些模型所需的輸入數(shù)量，并進而擴展HPC應(yīng)用程序的復雜性。團隊的方法：

將20維模型簡化為1維。

將錯誤率(與標準NN相比)從35.1%降低到1.6%。

通過使用殘余神經(jīng)網(wǎng)絡(luò)或ResNets來實現(xiàn)輸入減少，所述殘余神經(jīng)網(wǎng)絡(luò)或ResNets利用快捷方式來繞過層。ORNL團隊的方法可用于廣泛的應(yīng)用(甚至是實驗數(shù)據(jù))，例如團隊加速多層復合殼體(用于壓力容器，儲存器和儲罐，以及火箭等)的設(shè)計過程。航天器部件)通過確定最佳的簾布層角度。

研究人員目前正致力于將算法擴展到ORNL的Summit超級計算機，這是目前世界上最強大的計算機。

標簽：性能預測