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好于計算昂貴的模擬器，并且可以在諸如慣性約束聚變(ICF)之類的復雜物理問題上產(chǎn)生新見解。

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動的流形與循環(huán)一致性(MaCC)替代模型的開發(fā)，該模型結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。

研究團隊將該模型應用于在國家點火設施(NIF)進行的ICF爆破中，其中使用了計算成本高昂的數(shù)值模擬器來預測由該設施的高能激光所產(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，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簡化此問題，在該公共空間中所有這些模式(例如高壓或高溫)都可以在該空間中進行并進行分析。我們說的是，深度學習可以捕獲所有這些之間的重要關系。不同的數(shù)據(jù)源，并為我們提供所有數(shù)據(jù)的緊湊表示。”

Anirudh補充說：“這樣做的好處不僅在于它使分析更加容易，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。

Bremer解釋說，這在NIF上尤為重要，因為科學家尚未完全理解為什么模擬和實驗之間存在差異。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。” “通過建立這些深度學習模型，它使我們可以直接預測模擬數(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，而且對試圖將計算科學與實驗科學相結合的一切事物，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。”

將替代模型的預測結果與通常用于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)量方面幾乎與模擬器沒有區(qū)別，并且比其他類型的替代模型更準確。研究人員說，MaCC模型成功的關鍵是正向和反向模型的耦合以及對它們進行數(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。