所有文章 > 正文

Argonne研究人员正在开发用于发动机模拟和实验的深度学习框架MaLTESE

作者: Jansfer

时间: 2019-09-12 14:03

Argonne的研究人员Shashi Aithal和Prasanna Balaprakash正在利用美国能源部下属的科学用户设施ALCF的超级计算资源对MaLTESE进行开发。他们考虑的主要是自动驾驶以及云连接车辆。但他们首先希望该框架能被用于开发一个类似制造商的机载系统,这个系统可以结合高性能计算和机器学习的能力,是一类新的实时自适应学习和控制。

汽车在行驶过程中会有加速、减速和急刹车等驾驶行为,这会使汽车引擎受到严重的损害。个人的驾驶习惯、道路和天气状况,也会为引擎造成一定的损坏。为了解决这一问题,Argonne的研究人员正在开发一种用于发动机模拟和实验的深度学习框架MaLTESE,旨在为汽车提供更好的发动机性能、燃油经济性并减少各种排放。

cheche1234_wps图片.jpg

汽车制造商一直在对不同条件下发动机的运行进行优化。由于有超过20种不同的参数会影响燃油经济性和排放,所以确定正确优化方法的成本高昂并且这个过程会很慢。但是,如果高性能计算(HPC))机器学习工具能够筛选无数的参数组合,并实时预测成千上万司机上下班的结果,那会怎么样呢?

Argonne的研究人员Shashi Aithal和Prasanna Balaprakash正在利用美国能源部下属的科学用户设施ALCF的超级计算资源对MaLTESE进行开发。他们考虑的主要是自动驾驶以及云连接车辆。但他们首先希望该框架能被用于开发一个类似制造商的机载系统,这个系统可以结合高性能计算和机器学习的能力,是一类新的实时自适应学习和控制。

为了研究不同的驾驶和发动机运行条件对发动机性能和排放的影响,他们使MaLTESE模拟了一个典型的25分钟的样本数据为25万辆汽车的驾驶周期,这是芝加哥四个主要高速公路在高峰时段的大致交通流量。

Balaprakash表示,即使是一个非常精确的计算流体动力学模型,也需要花费大量的计算时间才能运行并得到输出。对于给定的驾驶条件和驾驶行为,研究人员想从中得知像氮氧化物和碳排放以及效率等的很多事情,模拟这种实况需要很长时间。但是Aithal之前开发了一个基于物理的实时引擎模拟器pMODES,这是一款针对领导级机器进行驱动仿真的高影响力工具,它不仅运行速度比传统的引擎建模工具快得多,而且可以同时模拟数千个驱动循环的性能和排放。2015年pMODES获得IDC Research(现Hyperion Research)颁发的HPC创新奖。

MaLTESE是Aithal的pMODES与Balaprakash正在研究的模拟驱动的深度学习工具的融合体。

pMODES的发动机模拟输出被用来训练一个深度神经网络,“学习”驾驶条件和发动机/变速器设计如何影响车辆的性能和排放。训练后的神经网络可以在微秒内预测引擎性能和排放的一组输入,在可能的范围内实现机载实时自适应控制。

Balaprakash说,模拟驱动的机器学习非常适合于像驱动周期分析这样的需要大量高性能计算资源的多输入多输出应用程序。这些工具可以在巨大的参数空间中使用相对较小的子集进行训练,然后用于对其他场景做出准确的预测,而不需要实际进行模拟。

该团队对Theta的模拟被认为是在一个领导级超级计算机上同时进行的最大的单个驱动周期实时仿真,也是第一个基于机器学习的对城市道路和高速公路上高峰时段数千辆汽车驱动周期特性的预测。

ALCF的主任Michael Papka表示,MaLTESE是一个很好的例子,它阐释了阿尔贡的超级计算资源如何使研究人员能够将大规模模拟与机器学习方法结合起来,为现实世界的应用开发新的工具,比如引擎设计和自动驾驶汽车技术。该研究小组的研究结果于2019年6月在德国法兰克福举行的ISC高性能会议上公布。

MaLTESE有潜力成为一项颠覆性的技术,旨在实时模拟和学习有关发动机性能、排放和车辆动力学的关键信息。MaLTESE可能会导致HPC在设计、优化和实时控制汽车特性方面的迅速转变,这对自动驾驶和联网汽车具有深远的影响。

[关于转载]:本文为“AMiner”官网文章。转载本文请联系原作者获取授权,转载仅限全文转载并保留文章标题及内容,不得删改、添加内容绕开原创保护,且文章开头必须注明:转自“AMiner”官网。谢谢您的合作。

二维码 扫码微信阅读
推荐阅读 更多