Escuchas las palabras de moda en todas partes:aprendizaje automático, inteligencia artificial:nuevos enfoques revolucionarios para transformar la forma en que interactuamos con los productos, servicios, e información, desde la prescripción de medicamentos hasta los mensajes publicitarios.

Inteligencia artificial, una rama de la informática que se ocupa de la simulación del comportamiento inteligente en las computadoras, ya está detrás de muchas de las tecnologías que vemos hoy, incluidos asistentes virtuales en línea y automóviles sin conductor. En transporte las aplicaciones se extienden aún más.

Los investigadores de Argonne aprovechan activamente los enfoques de la inteligencia artificial para transformar los sistemas de transporte y energía de Estados Unidos, abordando problemas complejos como la congestión, eficiencia energética, planificación de respuesta a emergencias, y seguridad. Su investigación proporciona una comprensión más profunda del transporte desde el nivel de los componentes del motor hasta las grandes áreas metropolitanas, que ayuda a los tomadores de decisiones a encontrar soluciones óptimas para hacer que los sistemas y tecnologías de transporte sean más confiables y eficientes.

En particular, los investigadores utilizan técnicas de aprendizaje automático, que entrenan a las computadoras para analizar y descubrir patrones ocultos dentro de los datos y hacer predicciones novedosas, sin programación explícita. En el pasado, los ingenieros escribían código que le decía a una computadora qué hacer. Pero en el aprendizaje automático, los ingenieros alimentan entradas y salidas de muestra a algoritmos de aprendizaje automático, luego pida a la máquina que identifique la relación entre los dos. Al hacerlo, la máquina genera un modelo, que luego se puede utilizar para hacer predicciones.

La necesidad sistemática de aprendizaje automático en el transporte

Los investigadores de Argonne están explorando formas en que las técnicas de aprendizaje automático pueden ayudarlos a comprender el diseño sistemático de los sistemas de transporte y detectar los cuellos de botella clave que tienen efectos de propagación en sistemas completos. El ingeniero de investigación Eric Rask y la científica informática Prasanna Balaprakash están explorando oportunidades en esta área a través de un proyecto de computación de alto rendimiento financiado por el Departamento de Energía de EE. UU.

"Estamos comprometidos con este esfuerzo porque comprender cómo funciona el transporte como un sistema es fundamental para identificar y aliviar los problemas de tráfico y respaldar la planificación futura, ", Dijo Rask." Debido a la diversidad y complejidad de los sistemas involucrados, lograr una comprensión integral puede ser un desafío, pero el aprendizaje automático puede ayudarnos a detectar mejor las tendencias invisibles y trazar relaciones clave y su impacto relativo ".

Los conocimientos resultantes contribuyen a diseñar mejores controles del sistema que pueden hacer que el transporte sea más confiable, impulsar la productividad, y ahorre a los consumidores los millones de dólares que se desperdician cada año al ralentí en el tráfico. Más información también apoya la toma de decisiones; con más información sobre incidentes de tráfico, por ejemplo, los consumidores y los vehículos autónomos pueden tomar decisiones sobre las rutas, los planificadores pueden coordinar mejor las respuestas de emergencia, y los planificadores urbanos pueden implementar controles para minimizar la interrupción en otras áreas del sistema.

Acelerar el desarrollo y la optimización del motor

Los investigadores de Argonne aplican el aprendizaje automático para optimizar los diseños y procesos de motores avanzados. Más recientemente, Los investigadores han desarrollado una forma poderosa de utilizar el aprendizaje profundo (una categoría de métodos de aprendizaje automático) para crear un nuevo modelo de combustión que reduce el tiempo de simulación a la mitad.

El aprendizaje profundo utiliza una clase de algoritmos llamados redes neuronales profundas que imitan los procesos de señales simples del cerebro de manera jerárquica; hoy dia, estas redes, con la ayuda de la informática de alto rendimiento, puede tener varias capas de profundidad. Permiten a los investigadores modelar propiedades cada vez más complejas, como múltiples vías de reacción durante la combustión de combustible.

"Tradicionalmente, Los investigadores intentarán reducir la complejidad de las reacciones de combustión para ahorrar tiempo al ejecutar simulaciones. pero hacerlo puede reducir la precisión de su salida, ", dijo el gerente de la Sección de Multifísica Computacional de Argonne, Sibendu Som." Con nuestro nuevo modelo, ayudado por el aprendizaje automático, podemos dar cuenta de toda la química del combustible sin sacrificar la precisión y ahorrar tiempo. Esta capacidad es única, no solo en su aplicación de redes neuronales, sino también en su capacidad para reducir significativamente el tiempo de desarrollo ".

Los investigadores de Argonne han aprovechado su conocimiento de aprendizaje automático para ayudar a una compañía global de petróleo y gas natural a optimizar un motor diésel para que funcione con un nuevo combustible.

Antes de trabajar con el laboratorio, la empresa utilizó modelos de alta fidelidad y el desarrollo llevó varios meses. La experiencia de Argonne en modelado de combustión, computación de alto rendimiento, y la experiencia en aprendizaje automático les ayudó a reducir el tiempo de desarrollo a solo días, manteniendo la misma calidad de resultado.

Optimización del enrutamiento

Los investigadores de Argonne también están explorando formas de utilizar el aprendizaje automático para optimizar el enrutamiento predictivo para flotas u otros viajeros. Tener una comprensión clara de las opciones de enrutamiento disponibles, y su energía asociada, tiempo, y costos ambientales, y ser capaz de predecir cambios puede ayudar a los operadores de flotas a elegir vehículos y rutas que ahorren costos de combustible y maximicen la eficiencia.

"Para tomar decisiones de enrutamiento, necesita información energética precisa, y predicciones fiables. Puede obtener esto con simulaciones de alta fidelidad, que toman mucho tiempo y no son fácilmente accesibles para la mayoría de las personas, ", dijo el gerente de simulación de movilidad y vehículos, Aymeric Rousseau." Otra opción es utilizar el aprendizaje automático, a través del cual puede obtener una respuesta aceptable de inmediato, sin requerir modelos de sistemas de transporte de alta fidelidad ".

Permitiendo una toma de decisiones rápida y precisa en torno al ahorro de combustible

Rousseau y su equipo también emplean enfoques de aprendizaje automático para entrenar modelos de vehículos en apoyo de los estándares CAFE (Corporate Average Fuel Economy). que regulan la economía de combustible de todos los automóviles y camiones ligeros que operan en los Estados Unidos. Contratado por la Administración Nacional de Seguridad del Tráfico en Carreteras del Departamento de Transporte de EE. UU., Los investigadores de Argonne apoyan los análisis de CAFE mediante el uso del aprendizaje automático para modelar los impactos energéticos de las nuevas tecnologías de vehículos, incluido el motor, transmisión, aligeramiento, y tecnologías de propulsión eléctrica.

"Debido a la gran cantidad de tecnologías disponibles y las diferentes clases de vehículos y los requisitos de los consumidores, los fabricantes de automóviles se enfrentan a millones de posibles combinaciones de tecnologías, ", Dijo Rousseau." Si bien Argonne ha desarrollado procesos para modelar y simular individualmente cerca de 1,5 millones de esas combinaciones utilizando computación de alto rendimiento, aún son posibles muchas más opciones. El uso de modelos de aprendizaje automático entrenados a partir de los resultados de la simulación nos permite responder rápidamente a las preguntas de los responsables de la formulación de políticas ".

Realización de mejores predicciones de transporte

Mientras explora simultáneamente las aplicaciones de motores y vehículos, Los investigadores de Argonne también están aplicando el aprendizaje automático al modelado de sistemas a gran escala, teniendo en cuenta los impactos de la energía y la movilidad. Liderando este esfuerzo, Rousseau y su equipo ejecutan modelos de alta fidelidad en miles de simulaciones utilizando computación de alto rendimiento para entrenar modelos de aprendizaje automático.

Analizar los sistemas de la ciudad y predecir cómo evolucionará el transporte en el futuro, los investigadores deben modelar todas las tecnologías de transporte potenciales. Pero hay muchas opciones de vehículos que usan diferentes fuentes de combustible y tienen diferentes rangos de desempeño, sin mencionar los autobuses, trenes andar en bicicleta y otros modos de transporte alternativos.

"Se requiere una gran cantidad de ejecuciones de modelos computacionales intensivos para cuantificar y comprender el impacto de las diferentes tecnologías y su interdependencia. El uso del aprendizaje automático nos permite identificar de manera rápida y eficiente los parámetros y tecnologías críticos en los que uno puede enfocarse para aprovechar mejor el modelos de alta fidelidad y estudios de escenarios, "Dijo Rousseau.

Mirando hacia el futuro, los investigadores se esfuerzan por seguir creciendo y madurando las competencias de aprendizaje automático del laboratorio, para mejorar la capacidad de Argonne de proporcionar conocimientos útiles rápidamente.

"Estas competencias, más el equipo multidisciplinario de expertos y los recursos informáticos de alto rendimiento de Argonne, están demostrando ser herramientas importantes para acelerar la resolución de problemas en el transporte, para desafíos grandes y pequeños, ", Dijo Som.