用复合材料制成的热固性聚合物为我们提供了从混凝土桥梁加固到喷气式飞机机翼到玻璃纤维船体等各种产品，而PhilippeGeubelle的使命是使用比传统方法更快、更便宜、更节能的方法来制造这些复合材料。

Geubelle博士是伊利诺伊大学厄巴纳-香槟分校的Bliss工程学教授，也是格兰杰工程学院的执行副院长，他与该大学贝克曼研究所的跨学科自主材料系统小组合作，对正面聚合进行建模，这是一种利用化学反应将液态单体转化为固体聚合物的技术。

“每当我们进行模拟时，都需要一段时间，因为从数字上来说，很难捕捉到这种通过结构传播的前沿，”他说。“有很多参数可以定义这个过程。我们想知道——如果我改变化学反应或改变温度会发生什么?如果我改变环境会怎么样?”

该团队已经在创建该过程的计算机模型，但Geubelle认为利用机器学习可以加快建模速度。他向NCSA求助，NCSA拥有机器学习和人工智能方面的专家，以及IllinoisComputes，这是一个将NCSA计算和数据存储资源、技术专家和支持服务与整个伊利诺伊校园的研究人员相匹配的项目。

“我们利用了伊利诺伊计算(IllinoisComputes)这个很棒的项目。该项目的主要目标是将校园内的研究人员与NCSA的研究人员配对，NCSA有一个非常优秀的团队专注于机器学习和人工智能，包括使用机器学习来解决偏微分方程，这正是我们正在做的事情，”伊利诺伊大学香槟分校工程学Bliss教授兼格兰杰工程学院执行副院长Geubelle博士说道。

Geubelle和博士后研究助理QibangLiu与NCSA技术副主任兼机械科学与工程研究教授SeidKoric博士以及NCSA研究科学家DiabWDAbueidda组成了团队。Koric领导的项目走在了人工智能和机器学习领域的最新进展的前沿，旨在帮助科学家运行模型并更快、更准确地找到答案。

他们首先训练人工神经网络，创建了各种可在高性能计算机上运行的先进人工智能模型。人工神经网络是一种基于机器学习的深度学习过程，使用类似于人脑的分层结构中的互连节点。通过向神经网络提供不同的训练数据值，该模型可以通过示例进行学习，并可以训练其识别数据中的模式、找到联系并预测结果。

“训练这些网络通常需要大量由传统数值方法生成的数据来减少预测误差，这在计算上是昂贵的，”Abueidda说。“但是，当这些网络经过适当的训练后，它们可以比传统计算方法更快地推断出新输入数据的结果。”

神经网络训练的突破

Koric和Abueidda开发了一种新方法，通过监控由底层偏微分方程直接定义的误差的演变来减少准确训练神经网络所需的数据量。通过将网络的持续训练重点放在从物理学(控制方程)获得的误差测量上，该团队能够找到并训练模型中准确度最低的区域的数据，从而大大减少了开发准确模型所需的训练数据。

Koric表示：“能够精准定位并专注于需要改进的领域可以大大加快整个过程的速度。通过选择从物理洞察中获得的误差较大的数据输入系统，而不是盲目地生成大量数据，我们找到了一种减少生成大量训练数据需求的方法。”

Geubelle补充道：“如果你随机地这样做，我会说你解决的40%的训练示例可能都是无用的，因为它们实际上并没有对系统产生很大的改进。你把所有的精力都投入到在错误较大的区域训练网络。这就是这个过程的自适应性。”

该团队使用NCSA的Delta超级计算机来运行其模型。该系统提供CPU和更快的GPU处理器，而刘的努力之一就是与NCSA合作改编为CPU和GPU编写的代码。到目前为止，此次合作已在《物理化学杂志》上发表了一篇论文。该团队还获得了伊利诺伊计算中心的另一轮支持，以继续他们的工作。

“我们正在打破孤岛，并在伊利诺伊计算中心下真正有效地合作。每个人都在发挥自己的专长，我们正在利用机器学习、人工智能和高性能计算的力量解决具有挑战性或无法解决的问题，”科里克说。

“我从CPU机器生成数据，然后将数据传输到GPU机器，”刘说。“这实际上需要一点时间，但对于神经网络，我们希望使用GPU机器，因为它们的速度要快得多。”

机器学习方法对前端聚合进行建模还使团队能够更有效地检查和解决制造中的逆问题，即找到一组工艺条件(由初始温度、树脂固化程度、热损失等变量决定)，从而形成规定的制造模式。Geubelle说，解决逆问题对于3D打印等工艺至关重要，因为这样才能将微结构送入打印机，从而形成完整的宏观结构。

“如果你告诉我需要什么样的微结构来实现这一点，我就可以把它寄给我，然后制造出来，”他说。“但要解决这个逆问题，你需要能够非常非常快地解决正问题，这就是机器学习的作用所在。”

机器学习和人工智能，以及与NCSA合作开发的新型自适应深度学习流程，让Geubelle及其团队能够在几秒钟内(而不是几个小时)对正面聚合问题进行建模。由于涉及大量参数，这种速度对于逆向设计至关重要。Geubelle表示，他的团队曾使用传统方法加快逆向设计过程，但这个过程仍然太慢。

新颖的贡献和创新的循环

新项目将使团队能够继续利用新型人工神经网络(包括生成式AI方法)应对复合聚合物多尺度建模的挑战。它还将深入研究以材料的目标设计为输入，并以设计变量为返回值的工作。Koric表示，这种“一次性”逆向模型预计将比更传统的逆向建模方法更有效率。

Koric表示，随着机器学习模型和人工智能不断成熟，NCSA开发的自适应训练框架可以应用于许多其他科学领域，包括各种工程学科、医学、地质学和地震研究。

NCSA人工智能创新中心(CAII)主任VolodymyrKindratenko指出，与Geubelle以及贝克曼研究所大型研究小组的合作使伊利诺伊大学走在了创新、协作AI/ML研究的前沿。

Kindratenko表示：“这项工作是我们所谓的转化人工智能研究的一个极好例子。Koric的团队采用了现有的机器学习方法，并以新的方式使用它来解决科学领域的问题，而之前没有人认为这是可能的。通过这样做，该团队以新颖的贡献推动了机器学习领域的发展，并在机器学习和计算科学领域创造了一个创新周期。这项工作可以作为其他研究人员在各自领域遵循的蓝图。”

科里奇表示，该项目还打破了阻碍技术和科学专家分开工作的障碍。

“如果你看看这类研究，你会发现人们通常分为两派，”他说。“一方面，计算机科学家在人工智能和机器学习方面进行基础计算研究;另一方面，应用科学家和工程师使用传统的计算方法，但渴望利用人工智能/机器学习方法将他们的研究提升到一个新的水平。

Kindratenko表示：“Koric的团队采用了现有的机器学习方法，并以新的方式使用它来解决科学领域的问题，而此前没有人认为这是可能的。通过这种方式，该团队以新颖的贡献推动了机器学习领域的发展，并在机器学习和计算科学领域创造了一个创新周期。”

“我们正在打破孤岛，并在伊利诺伊计算中心下真正有效地合作。每个人都在发挥自己的专长，我们正在利用机器学习、人工智能和高性能计算的力量解决具有挑战性或无法解决的问题。”

NCSA行业合作伙伴项目总监布伦丹麦金蒂(BrendanMcGinty)指出，私营部门渴望加入人工智能潮流，而NCSA的工作将使人工智能的影响更进一步。

McGinty表示：“Koric博士和Geubelle博士进一步将人工智能融入建模，更具体地说，是为了解决聚合物生产问题。”“他们表明，通过将人工智能、建模和领域专业知识与HPC相结合，可以更深入、更快地改进模型，从而最大限度地提升效率。从企业的角度来看，这意味着竞争力和投资回报率的提高。”

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：