Du hör buzzwords överallt – maskininlärning, artificiell intelligens - revolutionerande nya metoder för att förändra vårt sätt att interagera med produkter, tjänster, och information, från att förskriva läkemedel till reklambudskap.

Artificiell intelligens, en gren av datavetenskap som sysslar med simulering av intelligent beteende i datorer, ligger redan bakom många av de tekniker vi ser idag, inklusive virtuella onlineassistenter och förarlösa bilar. Inom transport, ansökningarna sträcker sig ännu längre.

Argonne -forskare utnyttjar aktivt metoder för artificiell intelligens för att omvandla USA:s transport- och energisystem, genom att ta itu med komplexa problem som trängsel, energieffektivitet, beredskapsplanering, och säkerhet. Deras forskning ger en djupare förståelse för transporter från motorkomponentnivå ända upp till stora storstadsområden, vilket hjälper beslutsfattare att hitta optimala lösningar för att göra transportsystem och teknik mer tillförlitliga och effektiva.

Särskilt, forskare använder maskininlärningstekniker, som tränar datorer att analysera och upptäcka dolda mönster i data och göra nya förutsägelser, utan explicit programmering. Ingenjörer i det förflutna skrev kod som talar om för en dator vad den ska göra. Men inom maskininlärning, ingenjörer matar provingångar och utdata till maskininlärningsalgoritmer, be sedan maskinen att identifiera sambandet mellan de två. Genom att göra så, maskinen genererar en modell, som sedan kan användas för att göra förutsägelser.

Det systematiska behovet av maskininlärning inom transport

Argonne-forskare undersöker hur maskininlärningstekniker kan hjälpa dem att förstå den systematiska designen av transportsystem och lokalisera viktiga flaskhalsar som har spridningseffekter på hela system. Forskningsingenjören Eric Rask och datavetaren Prasanna Balaprakash undersöker möjligheter inom detta område genom ett högpresterande datorprojekt finansierat av det amerikanska energidepartementet.

"Vi är engagerade i detta arbete eftersom förståelsen för hur transport fungerar som ett system är avgörande för att identifiera och lindra trafikproblem och stödja framtida planering, "Rask sa." På grund av mångfalden och komplexiteten i de inblandade systemen, uppnå en omfattande förståelse kan vara en utmaning, men maskininlärning kan hjälpa oss att bättre upptäcka osynliga trender och kartlägga nyckelrelationer och deras relativa inverkan."

De resulterande insikterna bidrar till att utveckla bättre systemkontroller som kan göra transporter mer tillförlitliga, öka produktiviteten, och spara konsumenterna på de miljoner dollar som slösas bort varje år på tomgång i trafiken. Mer information stöder också beslutsfattande; med mer information om trafikincidenter, till exempel, konsumenter och autonoma fordon kan fatta beslut om färdväg, planerare kan bättre samordna nödsituationer, och stadsplanerare kan implementera kontroller för att minimera störningar i andra delar av systemet.

Accelererar motorutveckling och optimering

Argonne -forskare tillämpar maskininlärning för att optimera avancerade motordesigner och processer. På senare tid, forskare har utvecklat ett kraftfullt sätt att använda djupinlärning (en kategori av maskininlärningsmetoder) för att skapa en ny förbränningsmodell som halverar simuleringstiden.

Deep learning använder en klass av algoritmer som kallas djupa neurala nätverk som efterliknar hjärnans enkla signalprocesser på ett hierarkiskt sätt; i dag, dessa nätverk, med hjälp av högpresterande datorer, kan vara flera lager djupa. De gör det möjligt för forskare att modellera alltmer komplexa egenskaper som flera reaktionsvägar under bränsleförbränning.

"Traditionellt, forskare kommer att försöka minska komplexiteten i förbränningsreaktionerna för att spara tid när man kör simuleringar, men om du gör det kan du minska noggrannheten i deras utdata, " sa Argonnes Computational Multi-Physics Sections chef Sibendu Som. "Med vår nya modell, hjälp av maskininlärning, vi kan redogöra för hela bränslekemin utan att offra noggrannhet och spara tid. Denna förmåga är unik, inte bara i dess tillämpning av neurala nätverk utan också i dess förmåga att avsevärt minska utvecklingstiden."

Argonne-forskare har utnyttjat sin kunskap om maskininlärning för att hjälpa ett globalt petroleum- och naturgasföretag att optimera en dieselmotor för att drivas med ett nytt bränsle.

Innan du arbetar med labbet, företaget använde högtrohetsmodellering och utvecklingen tog flera månader. Argonnes expertis inom förbränningsmodellering, högpresterande datorer, och expertis inom maskininlärning hjälpte dem att minska utvecklingstiden till bara dagar, samtidigt som samma resultatkvalitet bibehålls.

Optimera routing

Argonne -forskare undersöker också sätt att använda maskininlärning för att optimera prediktiv routing för flottor eller andra resenärer. Att ha en tydlig förståelse för tillgängliga ruttalternativ, och deras associerade energi, tid, och miljökostnader, och att kunna förutsäga förändringar kan hjälpa flottans operatörer att välja fordon och rutter som sparar bränslekostnader samtidigt som effektiviteten maximeras.

"För att fatta ruttbeslut behöver du korrekt energiinformation, och pålitliga förutsägelser. Du kan få detta med high-fidelity simuleringar, som tar mycket tid och inte är lättillgängliga för de flesta, " sade fordons- och mobilitetssimuleringschefen Aymeric Rousseau. "Ett annat alternativ är att använda maskininlärning, genom vilket du kan få ett acceptabelt svar direkt, utan att kräva high-fidelity transportsystemmodeller."

Möjliggör snabbt och exakt beslutsfattande kring bränsleekonomi

Rousseau och hans team använder också metoder för maskininlärning för att träna fordonsmodeller till stöd för CAFE (Corporate Average Fuel Economy) -standarder, som reglerar bränsleekonomin för alla bilar och lätta lastbilar som körs i USA. Kontrakterad av US Department of Transportation's National Highway Traffic Safety Administration, Argonne -forskare stöder CAFE -analyser genom att använda maskininlärning för att modellera energipåverkan från nya fordonstekniker inklusive motor, överföring, lättviktande, och elektrisk drivningsteknik.

"På grund av det stora antalet tillgängliga tekniker och de olika fordonsklasserna och konsumentkraven, biltillverkare står inför miljontals potentiella teknikkombinationer, "Rousseau sa." Medan Argonne har utvecklat processer för att individuellt modellera och simulera nära 1,5 miljoner av dessa kombinationer med högpresterande datorer, många fler alternativ är fortfarande möjliga. Genom att använda maskininlärningsmodeller som tränats från simuleringsresultaten kan vi snabbt svara på beslutsfattarnas frågor. "

Gör bättre transportprognoser

Samtidigt utforskar motor- och fordonsapplikationer, Argonne-forskare tillämpar också maskininlärning på storskalig systemmodellering, med tanke på energi- och rörlighetseffekter. Leder denna ansträngning, Rousseau och hans team kör high-fidelity-modeller på tusentals simuleringar med hjälp av högpresterande datorer för att träna maskininlärningsmodeller.

För att analysera stadssystem och förutsäga hur transporter kommer att utvecklas i framtiden, forskare måste modellera alla möjliga transporttekniker. Men det finns många fordonsalternativ där ute som använder olika bränslekällor och har varierande prestanda, för att inte tala om bussar, tåg, cykla, och andra alternativa transportsätt.

"Ett mycket stort antal beräkningskrävande modellkörningar krävs för att kvantifiera och förstå effekterna av de olika teknikerna och deras ömsesidiga beroende. Genom att använda maskininlärning kan vi snabbt och effektivt identifiera kritiska parametrar och tekniker som vi sedan kan fokusera på för att bättre kunna utnyttja högtrohetsmodeller och scenariostudier, "Sa Rousseau.

Blickar framåt, forskare strävar efter att fortsätta växa och mogna labbets maskininlärningskompetenser, för att förbättra Argonnes förmåga att snabbt ge användbar kunskap.

"Dessa kompetenser, plus Argonnes tvärvetenskapliga team av experter och högpresterande datorresurser, har visat sig vara viktiga verktyg för att påskynda problemlösning inom transporter, för utmaningar både stora och små, " sa Som.