Investigadores del Laboratorio Nacional de Oak Ridge desarrollaron un diseño novedoso y una estrategia de capacitación para ResNets reversibles que reduce la dimensionalidad de los modelos de aprendizaje automático de alta dimensión para sistemas físicos complejos.

Desarrollar modelos de orden reducido de sistemas físicos complejos es computacionalmente costoso. Los investigadores de ORNL han desarrollado un enfoque basado en redes neuronales que reduce la cantidad de entradas necesarias para desarrollar estos modelos y, por extensión, la complejidad de las aplicaciones HPC. El método del equipo:

• redujo un modelo de 20 dimensiones a una dimensión.
• redujo la tasa de error (en comparación con un NN estándar) del 35,1% al 1,6%.

La reducción de entrada se logra mediante el empleo de redes neuronales residuales, o ResNets, que utilizan atajos para omitir capas. El enfoque del equipo ORNL se puede utilizar para una amplia gama de aplicaciones (e incluso datos experimentales), como la aceleración por parte del equipo del proceso de diseño de carcasas compuestas multicapa (que se utilizan en recipientes a presión, depósitos y tanques, y partes de cohetes y naves espaciales) determinando los ángulos óptimos de las capas.

Los investigadores están trabajando actualmente para escalar el algoritmo a la supercomputadora Summit de ORNL, actualmente el más poderoso del mundo.