Si todo se moviera 40.000 veces más rápido, podrías comer un tomate fresco tres minutos después de plantar una semilla. Podrías volar de Nueva York a Los Ángeles en medio segundo. Y habrías esperado en la fila de seguridad del aeropuerto para ese vuelo durante30 milisegundos.
Gracias al aprendizaje automático, el diseño de materiales para tecnologías nuevas y avanzadas podría acelerar tanto.
Un equipo de investigación de Sandia National Laboratories ha utilizado con éxito el aprendizaje automático algoritmos informáticos que se mejoran a sí mismos mediante el aprendizaje de patrones en los datos para completar complicados cálculos de ciencia de materiales más de 40.000 veces más rápido de lo normal.
Sus resultados, publicados el 4 de enero en materiales computacionales npj , podría presagiar una aceleración dramática en la creación de nuevas tecnologías para óptica, aeroespacial, almacenamiento de energía y potencialmente medicina, mientras que al mismo tiempo ahorra dinero a los laboratorios en costos de computación.
"Estamos acortando el ciclo de diseño", dijo David Montes de Oca Zapiain, un científico de materiales computacionales en Sandia que ayudó a dirigir la investigación. "El diseño de componentes supera ampliamente el diseño de los materiales necesarios para construirlos.queremos cambiar eso. Una vez que diseñe un componente, nos gustaría poder diseñar un material compatible para ese componente sin necesidad de esperar años, como sucede con el proceso actual ".
La investigación, financiada por el programa de Ciencias Energéticas Básicas del Departamento de Energía de EE. UU., Se llevó a cabo en el Centro de Nanotecnologías Integradas, un centro de investigación de usuarios del DOE operado conjuntamente por los laboratorios nacionales de Sandia y Los Alamos.
El aprendizaje automático acelera las simulaciones computacionalmente costosas
Los investigadores de Sandia utilizaron el aprendizaje automático para acelerar una simulación por computadora que predice cómo el cambio de un proceso de diseño o fabricación, como ajustar la cantidad de metales en una aleación, afectará a un material. Un proyecto puede requerir miles de simulaciones, lo que puede llevar semanas, meses o incluso años para correr.
El equipo registró una sola simulación sin ayuda en un clúster de computación de alto rendimiento con 128 núcleos de procesamiento una computadora doméstica típica tiene de dos a seis núcleos de procesamiento en 12 minutos. Con el aprendizaje automático, la misma simulación tomó 60 milisegundos usando solo 36núcleos equivalentes a 42.000 veces más rápido en computadoras iguales. Esto significa que los investigadores ahora pueden aprender en menos de 15 minutos lo que normalmente tomaría un año.
El nuevo algoritmo de Sandia llegó a una respuesta que era un 5% diferente del resultado de la simulación estándar, una predicción muy precisa para los propósitos del equipo. El aprendizaje automático cambia algo de precisión por velocidad porque hace aproximaciones a los cálculos de atajos.
"Nuestro marco de aprendizaje automático logra esencialmente la misma precisión que el modelo de alta fidelidad, pero a una fracción del costo computacional", dijo el científico de materiales de Sandia, Rémi Dingreville, quien también trabajó en el proyecto.
Los beneficios podrían extenderse más allá de los materiales
Dingreville y Montes de Oca Zapiain van a utilizar su algoritmo primero para investigar tecnologías ópticas ultradelgadas para monitores y pantallas de próxima generación. Sin embargo, su investigación podría resultar muy útil porque la simulación que aceleraron describe un evento común: el cambioo evolución, de los componentes microscópicos de un material a lo largo del tiempo.
El aprendizaje automático se ha utilizado anteriormente para simplificar las simulaciones que calculan cómo las interacciones entre átomos y moléculas cambian con el tiempo. Sin embargo, los resultados publicados demuestran el primer uso del aprendizaje automático para acelerar las simulaciones de materiales a escalas microscópicas relativamente grandes, que elEl equipo de Sandia espera que sea de mayor valor práctico para científicos e ingenieros.
Por ejemplo, los científicos ahora pueden simular rápidamente cómo las gotas minúsculas de metal derretido se aglomerarán cuando se enfríen y solidifiquen, o por el contrario, cómo una mezcla se separará en capas de sus partes constituyentes cuando se derrita. Muchos otros fenómenos naturales, incluido elformación de proteínas, siguen patrones similares. Y aunque el equipo de Sandia no ha probado el algoritmo de aprendizaje automático en simulaciones de proteínas, están interesados en explorar la posibilidad en el futuro.
Fuente de la historia :
Materiales proporcionado por DOE / Sandia National Laboratories . Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :