勞倫斯·利弗莫爾國家實驗室（LLNL）的科學家報告說，由神經(jīng)網(wǎng)絡支持的替代模型在性能上和在某些方面要比計算昂貴的模擬器好，并且在某些方面要好一些，并且可能導致對諸如慣性約束聚變（ICF）等復雜物理問題的新見解。

在美國國家科學院院刊（PNAS）上發(fā)表的一篇論文中，LLNL研究人員描述了深度學習驅(qū)動的流形與循環(huán)一致（MaCC）替代模型的開發(fā)，該模型結(jié)合了能夠快速準確模擬的多模式神經(jīng)網(wǎng)絡。復雜的科學過程，包括ICF中涉及的高能密度物理學。

該研究小組將該模型應用于在國家點火設施（NIF）進行的ICF爆破中，該爆破中使用了計算成本高的數(shù)值模擬器來預測由該設施的高能激光產(chǎn)生的沖擊波所爆破的目標的能量產(chǎn)出。將神經(jīng)網(wǎng)絡支持的替代結(jié)果與現(xiàn)有模擬器進行比較，研究人員發(fā)現(xiàn)該替代可以充分復制該模擬器，并且在廣泛的指標范圍內(nèi)，其替代模型的性能明顯優(yōu)于當前最新水平。

“我們正在處理的一個主要問題是‘當您擁有大量不同類型的數(shù)據(jù)時，如何開始使用機器學習？”LLNL的計算機科學家兼主要作者Rushil Anirudh說。“我們提出的建議是通過找到一個公共空間來找到所有這些模式，例如高壓或高溫，并在該空間中進行分析，從而使問題更簡單。我們要說的是，深度學習可以捕獲所有這些模式之間的重要關(guān)系。不同的數(shù)據(jù)源，并為我們提供了所有數(shù)據(jù)的緊湊表示?！?/p>

Anirudh補充說：“這樣做的好處不僅在于它使分析變得容易，因為現(xiàn)在您擁有所有這些模態(tài)的共同空間，而且我們還表明，這樣做實際上可以為您提供更好的模型，更好的分析并且客觀上比基線方法更好。”

Anirudh解釋說，使用神經(jīng)網(wǎng)絡可以在一秒鐘之內(nèi)完成同樣需要數(shù)值模擬器半小時才能完成的模擬。計算機科學家和合著者Timo Bremer解釋說，也許比節(jié)省計算時間更有價值，這是深度學習替代模型在ICF測試用例中分析大量復雜的高維數(shù)據(jù)的能力。用于庫存現(xiàn)代化工作。結(jié)果表明，這種方法可能會導致新的科學發(fā)現(xiàn)以及執(zhí)行和分析仿真的全新技術(shù)。

Bremer解釋說，這對于NIF尤為重要，因為科學家們尚未完全理解為什么模擬與實驗之間存在差異。將來，深度學習模型可能會激發(fā)出以前不存在的功能，并為科學家提供一種方法來分析從每個NIF鏡頭的診斷收集到的大量X射線圖像，傳感器數(shù)據(jù)和其他信息，包括布雷默說，之所以沒有被合并是因為其中太多的東西無法由人類單獨進行分析。

布雷默說：“該工具為我們提供了一種將模擬與實驗聯(lián)系起來的根本不同的方式?！薄巴ㄟ^建立這些深度學習模型，它使我們能夠直接預測模擬數(shù)據(jù)的全部復雜性。利用這個共同的潛在空間將所有這些不同的模式和不同的診斷方法相關(guān)聯(lián)，并使用該空間將實驗與模擬聯(lián)系起來，不僅對于特定的科學領域，而且對于試圖將計算科學與實驗科學相結(jié)合的一切事物，都是非常有價值的。這可能以目前尚不可行的方式潛在地帶來新的見解?！?/p>

將替代模型的預測結(jié)果與通常用于ICF實驗的模擬器進行比較，研究人員發(fā)現(xiàn)，MaCC替代在誤差和預期的能量產(chǎn)出量方面與模擬器幾乎沒有區(qū)別，并且比其他類型的替代模型更準確。研究人員說，MaCC模型成功的關(guān)鍵是正向和反向模型的耦合以及對它們的數(shù)據(jù)訓練。代理模型使用數(shù)據(jù)輸入進行預測，然后通過逆模型運行這些預測，以從輸出中估計輸入可能是什么。Anirudh說，在訓練過程中，代理人的神經(jīng)網(wǎng)絡學會了與逆模型兼容，這意味著錯誤不會像以前那樣積累太多。

“我們正在探索這種自洽的概念，”阿尼魯?shù)陆忉屨f。“我們發(fā)現(xiàn)將反問題納入代理建模過程實際上是必不可少的。這使問題更具數(shù)據(jù)效率，并且更加健壯。當將這兩部分放在一起時，反模型和所有模態(tài)的公共空間，您將獲得具有所有其他這些理想屬性的宏偉的代理模型-它在數(shù)據(jù)量較少的情況下更高效，更好，并且還可以對抽樣工件進行恢復?！?/p>

研究小組表示，基于機器學習的替代方法的好處在于，它們可以加快極其復雜的計算，并有效地比較各種數(shù)據(jù)源，而無需科學家掃描大量數(shù)據(jù)。研究人員說，隨著模擬器變得越來越復雜，產(chǎn)生更多的數(shù)據(jù)，這種替代模型將成為科學發(fā)現(xiàn)的基本補充工具。

計算機科學家兼合著者Jayaraman Thiagarajan說：“即使模擬變得更加復雜，我們構(gòu)建的工具也將非常有用?！薄懊魈煳覀儗@得新的計算能力，更大的超級計算機和更準確的計算，并且這些技術(shù)將仍然適用。我們驚訝地發(fā)現(xiàn)，您可以為基礎的復雜仿真生產(chǎn)非常強大的仿真器，而這在其中變得非常重要?！?/p>

蒂亞加拉揚繼續(xù)說：“只要您可以使用數(shù)學模型近似基礎科學，我們探索太空的速度就會變得非常非?？臁@有望在將來幫助我們更快地，更迅速地發(fā)現(xiàn)科學成果。我們相信，即使我們將其用于特定的應用程序，該方法仍可廣泛應用于一般的科學保護傘?！?/p>

研究人員說，MaCC替代模型可以適應模式，新類型的傳感器或成像技術(shù)的任何未來變化。由于其靈活性和準確性，該模型及其深度學習方法（在LLNL中被稱為“認知模擬”或簡稱為CogSim）正被應用于實驗室內(nèi)的許多其他項目，并正在過渡到計劃性工作，包括努力在不確定性量化，武器物理設計，磁約束聚變和其他激光項目中。

MaCC是實驗室更廣泛的認知模擬總監(jiān)倡議的關(guān)鍵產(chǎn)品，由首席研究員和LLNL物理學家Brian Spears領導，并通過實驗室指導研究與開發(fā)（LDRD）計劃資助。該計劃旨在推進廣泛的AI技術(shù)和計算平臺，這些技術(shù)和計算平臺旨在通過更有效地將精確度仿真與實驗數(shù)據(jù)結(jié)合來改善科學預測。通過專注于關(guān)鍵任務空間的需求以及AI帶來的機遇和計算進步，該計劃幫助了LLNL在將AI應用于科學方面的領先地位。

Spears說：“ MaCC結(jié)合多個與科學相關(guān)的數(shù)據(jù)流的能力為各種新分析打開了大門。”“這將使我們能夠從迄今為止尚無法訪問的最有價值，關(guān)鍵任務的實驗和仿真數(shù)據(jù)集中提取信息。與新的相關(guān)CogSim工具套件一起充分利用這些信息將迅速而直接地改善預測性楷模?！?/p>