David Schmidt正在保护环境，但不是在他首次打算的方式。在工程研究生院，他的兴趣是核聚变。一个有说服力的博士学位。顾问引导他走向燃油喷射物理学，是顾问惯性监禁融合器和内燃机的过程中央，顾问的其他研究。使用实用的融合反应堆仍然几十年来，施密特向发动机转向。
虽然电动汽车似乎正在取代汽车，但内燃机在未来几十年里仍将在公路、海上和柏油马路上使用。施密特的工作让他们更干净，更有效率。他说:“一个新问题，即使你一开始对它不感兴趣，一段时间后，它就会吸引你。”“很快，你就开始日日夜夜地想着它。”
典型内燃机湍流特性的多尺度模拟。(图片来源:M. Dias Ribeiro)
Amhersts大学马萨诸塞州大学机械和工业工程教授，Schmidt称燃油喷射“非常极端”。燃料穿过孔的洞，人发的宽度“并至少尖叫起伏，有足够的动力来穿过你的手。”这使得研究物理发动机昂贵，有点危险。仿真提高了我们理解它们内部发生的事情的能力。
运行高保真模拟发动机仍然需要一周的昂贵的计算群集。所以，在过去的两年里，施密特已经带领ICEnet总部位于马萨诸塞大学阿默斯特分校(massachusetts Amherst)的一个联盟利用神经网络加速了这一进程。他的实验室在开发研究湍流和燃烧的工具方面取得了重大进展。他说，使用机器学习，他们得到了“一个更好、更准确的答案，这是我们投入的计算能力所不能比拟的。”
插上它
联盟由巫师的实验室组成了umass;西门子，AVL和收敛科学，发动机仿真软件制造商;康明斯，发动机制造商;NVIDIA，图形处理单元制造商;和数学工作。
为包括康明斯在内的客户提供西门子、AVL和Convergent Science设计仿真软件。这些程序被称为计算流体动力学(CFD)求解器，通过将整个引擎或单个引擎部件分割成100万个或更多的小单元来表示它。在每个单元中，在每个时间步骤中，模拟结合无数因素的影响来决定单元的当前状态——温度、压力等等。决定这种状态的因素来自于质量、动量和能量守恒的基本计算，以及插件软件模块。ICEnet正在开发两个模块:一个计算湍流物理，另一个计算燃烧化学。
插件系统的美是您不必生成新的CFD求解器，该求解器可以包括数百万线代码代表活塞运动，火花板等。“你不想改变那个现有的代码库，”施密特说。“所以，它旨在让您轻松交换模块。”
Icenet建立了一个工业级的端到端工作流，用户可以调整以适应他们的特定CFD工作流程。
Icenet使用一个名为OpenFoam的CFD求解器集合，即开源。但他们的模块可以轻松插入其他CFD求解器，如西门子，AVL和收敛科学所使用的其他CFD求解器。这三家公司可能不会完全按照书面使用模块，而是将它们适应自己的需求。
用于计算湍流和燃烧的工作流程。（图片信用：Peetak Mitra和David Schmidt，Icenet Umass）
为了开发这些模块，施密特使用了MATLAB®原因有好几个。据施密特实验室的研究生Peetak Mitra说，它对用户友好，客户熟悉它，没有bug, MathWorks提供支持，它生成c++代码，这是CFD求解器的语言，比其他机器学习框架(如PyTorch)更好。万博1manbetx
该项目涉及不仅仅是开发新的算法，而且让它们足够可靠，以便每天使用。“通常，在学术界，我们得到一次或两次工作，宣布胜利，”施密特说。“它是通过口香糖和弦保持在一起的软件。”
“建造的内容是什么，”MathWorks的深度学习产品经理Shounak Mitra说，“是用户可以调整在此域中的特定CFD工作流程的行业级端到端工作流程。”
全搞混了
施密特喜欢通过Mathematician和气象学家刘易斯·罗伊斯·理查森引用一首诗：“大旋转有很小的旋转速度，速度为他们的速度，且小旋转有较小的旋转等粘度。”湍流 - 在许多尺度上发生流体，气体或等离子体的混合。在一项规模上发生的影响会影响其他人会发生什么。准确模拟湍流是如此缓慢，因为他们需要捕获最微小的动态。iCenet通过估计它们来加速该过程。
使用与密度，压力，温度，速度和应变相关的输入的公式来计算每个单元发生的情况。输出是气态速度。模拟可能具有一百万个细胞，因此每次步骤（千分之一到千分之一的千分之一的任何地方）这是一百万的这些计算。IceNet将细胞数量减少两倍或更多。它恢复了使用快速神经网络丢失的细粒度信息。
该团队首先运行高分辨率模拟，并列举神经网络来估计模拟的行为。然后，在低分辨率模拟中，它们添加到公式A由网计算的术语，称为a学习纠正．这种校正可以恢复由于降低分辨率而丢失的大部分信息。其他研究人员用训练过的网络完全替代了模拟，但施密特发现这种方法大大降低了准确性。他需要传统的公式来加强质量守恒、动量守恒和能量守恒，就像平衡支票簿一样。“所以，我们所做的就是将现有的模拟技术与机器学习结合起来。”
在初步研究中，系统并不总是加速模拟。他们将一百万个细胞减少到几十万电池，但仍然必须运行一万百万次的网络，或者总步长一百万次。因此，佩巴克米特拉找到了一种简化网的方法。首先，他使用了Automl，其中软件探讨了不同的神经网络架构，找到了准确和高效的内容。因为并非所有联盟合作伙伴都是机器学习的专家，“我们想要做的是较低的是，障碍率降低，”佩塔克米特拉说。“我们建立了在Matlab中运行的单击过程中，它根据您的数据自动设计网络。”
通过发动机仿真切片，由速度幅度彩色（红色=高速;蓝/灯=低速）。左侧图像显示地面真实数据，右侧机器学习的解决方案。（图片信用：Peetak Mitra和David Schmidt，Icenet Umass）
然后，Peetak Mitra为修剪网络设计了一种新的方式，删除了不重要的节点和连接。修剪降低网络大小90％，使其更快地提高10倍 - 同时提高准确性。这是因为大型网络适应系统中的任何信息，这使得它们擅长概括到许多情况，但它们可以从系统中的噪声中学习。如果您将机器学习应用于常规环境 - 类似类型的气缸 - 您可以负担得起网络，从而滤除噪声。
该团队还使用了一种被称为量化的过程，它降低了网络值的过高精度。看到这些缩小网络的方法，Shounak Mitra说，“英伟达对此表示赞赏。”
挑战仍然存在。当将网络与CFD求解器的其余部分结合在一起时，需要花费一段时间来训练网络并优化其性能。施密特说:“想象一下，你试着学习踢足球，但你只能每几个小时踢一次球。他们目前正在研究加快这一过程的捷径。
高度可燃
Schmidt的团队还发现了利用深入学习燃烧的创新方法。正如在湍流建模中一样，标准系统将公式应用于细胞以在每次步骤中决定其状态。但是，这里，每个细胞的微分方程的整个系统，平衡对流，温度，压力和数十种化学品和数百种化学反应。
通过更快的模拟，合作伙伴可以运行更多的实验，快速迭代发动机设计，具有提高发动机效率和减少排放的最终目标。
他们再次使用这些方程式运行高保真模拟，并培训神经网络以快速接近细胞中发生的情况。但在这种情况下，它们然后完全取代与训练网络的化学反应，每个细胞。为此，Majid Haghshenas是Schmidt实验室的Postdoc，已经开发了一种新颖的方法：它们在每个单元格中不使用相同的训练网络，也不会对每个单元使用不同的网络。相反，他们使用将培训的网络培训到大约40组的技术。对于每个群集，他们创建一个代表网络。它们基于其输入将方程式的系统中的一个替换为其中一个网络。使用40个不同的网络而不是十万缩小了整个系统的大小。它还使其比使用同一网络的十万份更准确。
基于贝叶斯优化的数据驱动物理仿真器工作流程的示意图，识别最佳性能的网络超参数和网络架构。（图片信用：Peetak Mitra和David Schmidt，Icenet Umass）
一个大挑战是化学浓度可以变化十亿倍，化学反应的长度可以跨越相似的范围。您如何了解高浓度的缓慢反应而不会缺少较小的尺度动态？一种方法是使用浓度的非线性变换来计算，但它们仍然完善了该解决方案。
他们仍然有时间锻炼扭结，但施密特估计，湍流模型比以前的方法快3倍，燃烧模型将速度快100倍。通过更快的模拟，合作伙伴可以运行更多的实验，快速迭代发动机设计，具有提高发动机效率和减少排放的最终目标。“你可以尝试任何想到的事情，”Haghshenas说。
你旋转我
随着ICEnet逐渐结束，施密特开始寻找改善环境的进一步途径。流体动力学还决定了空气在物体上和周围流动的方式。其中一个应用是汽车空气动力学。随着自动驾驶汽车的激增，它们可能会开始“排”，一辆车紧跟着另一辆车，以保持在滑流中，减少阻力，提高燃油效率。CFD求解器可以计算出正确的距离。
“我们将使用机器学习来预测整个套件和Caboodle。优点是速度和方便 - 它将在一秒钟的级分中进行预测。“
大卫施密特，乌马斯阿默斯特机械和工业工程教授
Schmidt的团队还希望将它们的方法应用于风力涡轮机。Unulwind涡轮机阻挡风并产生湍流，从而降低下游涡轮机的效率，同时增加其叶片上的应变。CFD求解器可以计算指向涡轮机以降低这种干扰的最佳角度。
风力涡轮机模拟。（图片信用：Hannah Johlas，David Schmidt，Icenet Umass）
风力涡轮机不是核聚变，但旋转，大而且很少，仍然含有无尽的复杂性。
