Las simulaciones de ingeniería a menudo requieren importantes recursos computacionales y tiempo, lo que crea barreras para los usuarios y puede ralentizar los plazos de los proyectos.

Mediante el uso de métodos de aprendizaje automático, investigadores han descubierto cómo generar resultados de simulación precisos y de alta resolución utilizando muchos menos recursos.

Investigadores de la Universidad Carnegie Mellon han desarrollado un método de muestreo ascendente, llamado Red de corrección de errores de expansión de Taylor (TEECNet).

Esta red neuronal es eficaz en una variedad de problemas de física, incluida la transferencia de calor y el flujo de fluidos.

Logra más del 96 % de precisión en la mejora de datos y utiliza un 42,76 % menos de recursos computacionales que otros métodos populares de muestreo ascendente.

Chris McComb, profesor asociado de ingeniería mecánica, comparó TEECNet con el botón “mejorar” que aparece en muchos programas de CSI.

De manera muy similar a cómo ese botón puede mejorar la resolución de fotografías de baja calidad, TEECNet puede tomar datos de simulaciones rápidas y de bajo costo y usar un algoritmo para mejorar la calidad a la de una simulación más intensiva.

TEECNet se diferencia de otros métodos de muestreo ascendente porque prioriza la eficiencia.

“Siempre podemos aprender lo que queremos si los modelos tienen suficiente tiempo y datos, pero queremos que los nuestros sean eficientes y precisos“, dijo Wenzhou Xu, estudiante de doctorado de la Universidad Carnegie Mellon y autor principal del estudio.

Noelia Grande Gutiérrez, profesora asistente de ingeniería mecánica, dijo que esperan reducir la gran cantidad de datos y los costos de tiempo que requieren otros métodos de muestreo ascendente menos eficientes al incorporar más conocimiento físico en TEECNet.

TEECNet actualmente logra resultados más rápidos cuando se ejecuta en computadoras más pequeñas.

Por ejemplo, las simulaciones asistidas por TEECNet ejecutadas en computadoras con 48 núcleos logran una reducción de costos promedio del 47,15 %, mientras que aquellas ejecutadas en computadoras de 12 núcleos logran una reducción promedio del 68,77 %.

El trabajo futuro buscará resolver este problema para aumentar la escala de problemas que TEECNet puede resolver.

Fuente: Journal of Computational Physics

Artículos relacionados:

Logran una resolución récord mundial en simulaciones de turbulencia Inteligencia artificial usa ingeniería inversa para detectar ‘deepfakes’ y rastrear su origen IA resuelve problemas complejos de ingeniería más rápido que las supercomputadoras Google AI reduce la potencia de procesamiento necesaria para las previsiones meteorológicas Interfaz de forma cambiante para tocar simulaciones por computador Inteligencia artificial elimina automáticamente las sombras de las fotos