Onderzoekers van Oak Ridge National Laboratory ontwikkelden een nieuwe ontwerp- en trainingsstrategie voor omkeerbare ResNets die de dimensionaliteit van hoogdimensionale machine learning-modellen voor complexe fysieke systemen vermindert.

Het ontwikkelen van modellen met een lagere orde van complexe fysieke systemen is rekenkundig duur. ORNL-onderzoekers hebben een op neurale netwerken gebaseerde benadering ontwikkeld die het aantal inputs dat nodig is om deze modellen te ontwikkelen, vermindert en, door verlenging, de complexiteit van HPC-toepassingen. De werkwijze van het team:

• een 20-dimensionaal model teruggebracht tot 1-dimensionaal.
• het foutenpercentage (in vergelijking met een standaard NN) verlaagd van 35,1% naar 1,6%.

Inputreductie wordt bereikt door gebruik te maken van resterende neurale netwerken, of ResNets, die snelkoppelingen gebruiken om lagen te omzeilen. De aanpak van het ORNL-team kan worden gebruikt voor een breed scala aan toepassingen (en zelfs experimentele gegevens), zoals de versnelling door het team van het ontwerpproces van meerlaagse composietschalen (die worden gebruikt in drukvaten, reservoirs en tanks, en raket- en ruimtevaartuigonderdelen) door optimale laaghoeken te bepalen.

De onderzoekers werken momenteel aan het opschalen van het algoritme tot ORNL's Summit-supercomputer, momenteel de machtigste ter wereld.