新方法将物理学带到深度学习以更好地模拟湍流

深度学习，也称为机器学习，重现数据以建模问题方案并提供解决方案。但是，物理学上的某些问题是未知的，或者不能在计算机上数学上详细说明。伊利诺伊大学Urbana-Champaign大学的研究人员开发了一种新方法，将物理学带入机器学习过程以做出更好的预测。

研究人员使用湍流测试其方法。

“我们不知道如何以有用的方式数学上写下所有动荡。有一些未知数无法在计算机上表示，因此我们使用机器学习模型来找出未知数。我们在学习过程的一部分的同时对其和物理管理方程式进行了培训。这就是使它变得魔术和起作用的原因。

弗朗德说，这种方法的需求普遍存在。

“这是一个古老的问题。人们一直在努力模拟湍流，并为其代表的部分建模很长时间。”弗洛德说。

然后，他和他的同事贾斯汀·西里尼亚诺（Justin Sirignano）患有顿悟。

“我们了解到，如果您尝试在不考虑已知的物理方程式的情况下进行机器学习，那就不起作用。我们将它们结合起来，它起作用了。”

在设计空气或航天器时，Freund表示，这种方法将帮助工程师预测涉及湍流的设计是否适合其目标。他们将能够进行更改，再次运行以获得传热或提升的预测，并预测其设计是否更好或更糟。

“任何想对身体现象进行模拟的人都可能使用这种新方法。他们将采用我们的方法并将数据加载到自己的软件中。这是一种可以接受其他未知物理学的方法。弗朗德说：“观察到的未知物理学的结果可以加载进行培训。”

这项工作是使用UIUC国家超级计算中心的超级计算设施（称为蓝色水域）完成的，使模拟更快，更具成本效益。

下一步是在更逼真的湍流流中使用该方法。

弗洛德说：“我们用来证明该方法的湍流是一种非常简单的配置。”“真正的流程更为复杂。我还想使用该方法在IT中使用火焰的湍流 - 这是一种额外的物理类型。我们计划继续在NCSA的新型Exascale Scramjet Design中继续开发。”

弗朗德说，这项工作处于研究层面，但可能会影响未来的行业。

“Universities were very active in the first turbulence simulations, then industry picked them up. The first university-based large-eddy simulations looked incredibly expensive in the 80s and 90s. But now companies do large-eddy simulations. We expect this prediction capability will follow a similar path. I can see a day in the future with better techniques and faster computers that companies will begin using it.”

###

贾斯汀·西里尼亚诺（Justin Sirignano），乔纳森·F·Macart（Jonathan F. Macart）和乔纳森（Jonathan B. Freund）撰写了这项研究，“ DPM：具有应用于大型模拟的深度学习PDE增强方法”。它发表在计算物理杂志。doi：10.1016/j.jcp.2020.109811

This research is supported by the Department of Energy, National Nuclear Security Administration. It is part of the Blue Waters sustained-petascale computing project, which is supported by the National Science Foundation and the State of Illinois. Blue Waters is a joint effort of the University of Illinois Urbana-Champaign and its National Center for Supercomputing Applications.

媒体联系

黛布拉·莱维·拉尔森（Debra Levey Larson）
dlarson@illinois.edu

@Engineeringatil

http：//工程。illinois.edu/

Original Source

https：//航天。illinois.edu/消息/新的方法 - 脑物理 - 深度学习刺激性扰动

Related Journal Article

http：// dx。doi.org/10.1016/j。JCP。2020。109811