Forskare från Oak Ridge National Laboratory utvecklade en ny design- och träningsstrategi för reversibla ResNets som minskar dimensionaliteten hos högdimensionella maskininlärningsmodeller för komplexa fysiska system.

Att utveckla reducerade modeller av komplexa fysiska system är beräkningsmässigt dyrt. ORNL-forskare har utvecklat ett neuralt nätverksbaserat tillvägagångssätt som minskar antalet input som krävs för att utveckla dessa modeller och, i förlängningen, komplexiteten i HPC-tillämpningar. Lagets metod:

• reducerade en 20-dimensionell modell till 1-dimension.
• minskade felfrekvensen (jämfört med en standard NN) från 35,1 % till 1,6 %.

Ingångsreduktion uppnås genom att använda kvarvarande neurala nätverk, eller ResNets, som använder genvägar för att kringgå lager. ORNL-teamets tillvägagångssätt kan användas för ett brett utbud av applikationer (och till och med experimentella data), som teamets acceleration av designprocessen för flerskiktskompositskal (som används i tryckkärl, reservoarer och tankar, och raket- och rymdskeppsdelar) genom att bestämma optimala lagervinklar.

Forskarna arbetar för närvarande med att skala upp algoritmen till ORNL:s Summit superdator, för närvarande världens mäktigaste.