Эффективность движения на дорогах помогает повысить технология MaLTESE

Исследователи из Argonne разрабатывают систему глубокого обучения MaLTESE (Инструмент машинного обучения для моделирования и экспериментов с двигателями), чтобы удовлетворить постоянно растущие требования, направленные на повышение производительности двигателя, экономии топлива и снижения выбросов.

О технологии MaLTESE

Производители автомобилей сталкиваются с постоянно растущим спросом, чтобы обеспечить лучшую производительность двигателя, экономию топлива и снижение выбросов. Однако достижение этих целей является непростой задачей. Исследователи из Аргоннской национальной лаборатории Министерства энергетики США (DOE) разрабатывают систему глубокого обучения MaLTESE (Инструмент машинного обучения для моделирования и экспериментов с двигателями) для решения этой задачи.

Индивидуальные привычки вождения, а также дорожные и погодные условия наносят ущерб транспорту. «Усилия MaLTESE являются отличным примером того, как ресурсы суперкомпьютеров Argonne позволяют исследователям комбинировать крупномасштабное моделирование с методами машинного обучения при разработке новых инструментов для реальных приложений, таких как проектирование двигателей и технологии автономных транспортных средств». – говорит Майкл Папка, Директор ALCF.

Производители транспортных средств постоянно изучают новые подходы для оптимизации работы двигателя в этих разнообразных условиях. И с более чем 20 различными параметрами, влияющими на экономию топлива и выбросы, определение правильного подхода может оказаться медленным и дорогостоящим. Но что, если бы высокопроизводительные вычисления (HPC) и инструменты машинного обучения могли бы просеивать бесчисленные комбинации параметров и прогнозировать результаты для поездок тысяч водителей в режиме реального времени?

Используя ресурсы суперкомпьютеров в Argonne Leadership Computing Facility (ALCF), пользовательском центре Officeof Science, исследователи Argonne Шаши Айтал и Прасанна Балапракаш разрабатывают MaLTESE с учетом автономных и связанных с облаком транспортных средств. Но сначала они надеются, что эта инфраструктура может быть использована для разработки бортовой системы, подобной производителю, которая сочетает в себе мощь HPC и машинного обучения для нового класса адаптивного обучения, и управления в режиме реального времени.

Чтобы исследовать влияние разнообразных условий вождения и работы двигателя на характеристики и выбросы двигателя, они использовали MaLTESE для имитации типичного 25-минутного цикла движения из 250 000 транспортных средств, приблизительного транспортного потока четырех основных автострад Чикаго в час пик. При использовании почти полной емкости системы Theta ALCF - одного из самых мощных суперкомпьютеров в мире - моделирование было завершено менее чем за 15 минут, что меньше, чем для проектирования привода.

В настоящее время для выполнения высокоточного моделирования всего одного цикла двигателя требуется несколько дней, даже на большом суперкомпьютере, поскольку в типичном цикле движения или при переключении имеется тысячи различных циклов двигателя. «Это очень точная модель вычислительной гидродинамики, которая требует много вычислительных часов для запуска и получения результата», - говорит Балапракаш.

«Для заданных условий вождения и поведения вождения мы хотим знать множество вещей, таких как выбросы оксида азота и углерода, а также эффективность. Моделирование этого занимает много времени. Но Aithal ранее разработал основанный на физике симулятор двигателя в реальном времени под названием pMODES (параллельный многотопливный симулятор дизельного двигателя Otto), который не только работает намного быстрее, чем традиционные инструменты моделирования двигателя, но может одновременно моделировать производительность и выбросы тысяч приводов.

PMODES, высокоэффективный инструмент для моделирования привода на машинах лидерского класса, получил награду HPC Innovation Award в 2015 году от IDC Research. MaLTESE - это слияние pMODES от Aithal с инструментами глубокого обучения, основанными на симуляции, которые исследовал Балапракаш. Результаты моделирования двигателя из pMODES используются для обучения глубокой нейронной сети, чтобы «узнать», как условия вождения и конструкция двигателя влияют на производительность и выбросы автомобиля.

Затем обученная нейронная сеть может предсказать производительность двигателя и уровень выбросов для набора входных данных в микросекундах, что обеспечивает адаптивное управление в режиме реального времени в пределах возможного. «Машинное обучение на основе симуляции идеально подходит для приложений с несколькими входами и выходами, требующими больших ресурсов высокопроизводительных вычислений, например, при анализе циклов движения», - говорит Балапракаш.

«Эти инструменты можно обучить на относительно небольшом подмножестве обширного пространства параметров, а затем использовать для точного прогнозирования других сценариев без необходимости фактического проведения моделирования».

Симуляция команды на Theta считается единственной крупнейшей симуляцией ездового цикла, проводимой одновременно на суперкомпьютере класса лидерства в режиме реального времени, а также первым прогнозированием характеристик ездового цикла тысяч автомобилей на городских дорогах и автострадах в городских условиях на основе машинного обучения.

«Усилия MaLTESE являются отличным примером того, как ресурсы суперкомпьютеров Argonne позволяют исследователям комбинировать крупномасштабные симуляции с методами машинного обучения при разработке новых инструментов для реальных приложений, таких как проектирование двигателей и технологии автономных транспортных средств», - говорит директор ALCF. Майкл Папка.

Заключение

Результаты исследовательской группы были представлены на конференции ISC High Performance, состоявшейся во Франкфурте, Германия, в июне 2019 года. «MaLTESE потенциально может стать прорывной технологией , предназначенной для моделирования и изучения критически важной информации о характеристиках двигателя, выбросах и динамике автомобиля в режиме реального времени», - говорит Айтал.

«MaLTESE может привести к быстрому изменению парадигмы в использовании HPC при проектировании и оптимизации, а также в управлении в реальном времени автомобильными функциями с далеко идущими последствиями для автономных и подключенных транспортных средств».