Harvardi kutatók AI-modellt fejlesztenek turbulens áramlásokhoz
A Harvard mérnökei olyan, fizikával korlátozott AI-alapmodellen dolgoznak, amely turbulens áramlások, köztük a szél, az aeroszolok és az égési folyamatok vizsgálatát segítheti. A projekt a Sandia National Laboratories vezetésével, az amerikai Energiaügyi Minisztérium Genesis Mission kezdeményezésének részeként zajlik.
- A Harvard SEAS csatlakozott a Sandia National Laboratories vezette Genesis Mission projekthez.
- A kutatók fizikával korlátozott AI-alapmodellt fejlesztenek turbulens áramlásokhoz.
- A modell szélenergiával, hidrogén égésével és aeroszolokkal kapcsolatos kutatásokban is alkalmazható lehet.
- A projekt egyik fő célja az AI-előrejelzések bizonytalanságának számszerűsítése.
- A fejlesztés a MATEY modellre és a B-ODIL módszerre épül.
AI a bonyolult áramlások modellezésére
A Harvard John A. Paulson School of Engineering and Applied Sciences, vagyis a SEAS kutatócsoportja Petros Koumoutsakos vezetésével csatlakozott a projekthez. Koumoutsakos a SEAS Herbert S. Winokur, Jr. Professor of Computing in Science and Engineering professzora.
A kutatás célja egy fizikával korlátozott AI-alapmodell létrehozása összetett, energetikai szempontból fontos áramlásokhoz. Az alapmodellek nagy adathalmazokon tanulnak, és többféle feladatra alakíthatók át. A fejlesztők ezt a megközelítést nagyszabású szimulációkkal egészítik ki.
A turbulens áramlások olyan folyadék- és gázmozgások, amelyekben a sebesség és a nyomás kaotikusan, nehezen kiszámítható módon változik. A Harvard példaként említi a hajók mögött kialakuló áramlást, a repülőgépek szuperszonikus mozgását, valamint a légkörben örvénylő aeroszolokat.
A bizonytalanság mérése központi feladat
A kutatók szerint ezeknek a rendszereknek a részletes szimulációja jelenleg nehéz és költséges. Egy fizikainformált alapmodell többféle probléma megoldására is alkalmazható lenne, a fejlesztés egyik legnagyobb kihívása azonban az előrejelzések bizonytalanságának mérése és jellemzése.
„Egy alapmodell bizonytalanságának számszerűsítése nagy, nyitott probléma”, mondta Koumoutsakos. „Hogyan illesztjük össze az egyenleteket és az adatokat? Ebben egyedi a bayesi módszertanunk.”
A kutatócsoport a tudományos ismereteket leíró fizikai törvényeket és a nagy léptékű, adatalapú modellezést egyaránt be akarja építeni a rendszerbe. Így az AI-modell nem kizárólag a rendelkezésére álló adatok mintázataira támaszkodna.
Szélenergia, hidrogén és aeroszolok
A Sandia National Laboratories által vezetett projekt a MATEY nevű alapmodellre épít, amelyet korábban az Oak Ridge National Laboratory kutatói fejlesztettek turbulencia modellezésére. Ezt a modellt a Koumoutsakos által vezetett Bayesian Optimization of a Discrete Loss, röviden B-ODIL nevű, fizikainformált tanítási megközelítéssel kombinálják.
A rendszer felhasználható lehet az új üzemanyagok, például a hidrogén égési folyamatainak kutatásában. A kutatók a szélenergia-műveletekhez szükséges légköri rekonstrukciót is vizsgálnák, valamint azt, hogy a turbulencia miként hat a szélturbinákra.
További alkalmazási terület lehet az aeroszolok modellezése. Ide tartozik a Föld légkörében található mikroszkopikus részecskék mozgásának és egymásra hatásának vizsgálata.
A Genesis Mission része
A kutatás az amerikai Energiaügyi Minisztérium Genesis Mission kezdeményezéséhez kapcsolódik. A program célja a mesterséges intelligencia, a szuperszámítógépek és a tudományos infrastruktúra összekapcsolása az amerikai kutatás és mérnöki munka eredményeinek, illetve hatásának javítására.
A projekt egy szélesebb, tudományos célú AI-stratégia része, amelyben a mesterséges intelligenciát valódi tudományos és mérnöki rendszerek megértésére és optimalizálására használják. A Harvard szerint Koumoutsakos korábbi munkái között szerepel a többügynökös megerősítéses tanulás alkalmazása turbulenciamodellezésre, valamint a generatív AI használata turbulens áramlások előrejelzésére.
Harvard SEAS: Using AI to Model Wind, Aerosols and Combustion
