A simulação de sistemas físicos usando ferramentas de computação pode ter inúmeras aplicações valiosas, tanto em pesquisas quanto em configurações do mundo real. A maioria das ferramentas existentes para simular sistemas físicos é baseada na teoria da física e cálculos numéricos. Nos últimos anos, porém, os cientistas da computação vêm tentando desenvolver técnicas que possam complementar essas ferramentas, que se baseiam na análise de grandes quantidades de dados.
Os algoritmos de aprendizado de máquina (ML) são abordagens particularmente promissoras para a análise de dados. Portanto, muitos cientistas da computação desenvolveram técnicas de ML que podem aprender a simular sistemas físicos por meio da análise de dados experimentais.
Embora algumas dessas ferramentas tenham alcançado resultados notáveis, avaliá-las e compará-las com outras abordagens pode ser um desafio devido à enorme variedade de métodos existentes e às diferenças nas tarefas para as quais foram projetados. Até agora, portanto, essas ferramentas foram avaliadas usando diferentes estruturas e métricas.
Pesquisadores da New York University desenvolveram um novo conjunto de benchmarks que pode ser usado para avaliar modelos de simulação de sistemas físicos. Este conjunto, apresentado em um artigo pré-publicado no arXiv, pode ser adaptado, adaptado e estendido para avaliar uma variedade de técnicas de simulação baseadas em ML.
“Nós introduzimos um conjunto de problemas de benchmark para dar um passo em direção a benchmarks unificados e protocolos de avaliação”, escreveram os pesquisadores em seu artigo. “Propomos quatro sistemas físicos representativos, bem como uma coleção de integradores de tempo clássicos amplamente usados e métodos orientados a dados representativos (baseado em kernel, MLP, CNN, vizinhos mais próximos).”
O conjunto de benchmark desenvolvido pelos pesquisadores contém simulações de quatro modelos físicos simples com configurações de treinamento e avaliação. Os quatro sistemas são: uma única mola oscilante, uma equação de onda linear unidimensional (1D), um problema de fluxo de Navier-Stokes e uma malha de molas amortecidas.
“Esses sistemas representam uma progressão de complexidade”, explicaram os pesquisadores em seu artigo. “O sistema de mola é um sistema linear com espaço de baixa dimensão das condições iniciais e estado de baixa dimensão; a equação de onda é um sistema linear de baixa dimensão com um espaço de estado (relativamente) de alta dimensão após a discretização; as equações de Navier-Stokes são não lineares e consideramos uma configuração com condições iniciais de baixa dimensão e espaço de estado de alta dimensão; por fim, o sistema de malha de mola tem condições iniciais de alta dimensão, bem como estados de alta dimensão. ”
Além de simulações desses sistemas físicos simples, a suíte desenvolvida pelos pesquisadores inclui uma coleção de abordagens e ferramentas de simulação. Isso inclui abordagens numéricas tradicionais e técnicas de ML baseadas em dados.
Usando o pacote, os cientistas podem realizar avaliações sistemáticas e objetivas de suas técnicas de simulação de ML, testando sua precisão, eficiência e estabilidade. Isso permite que eles comparem de forma confiável o desempenho de ferramentas com características diferentes, que de outra forma seriam difíceis de comparar. A estrutura de referência também pode ser configurada e estendida para considerar outras tarefas e abordagens computacionais.
“Vislumbramos três maneiras pelas quais os resultados deste trabalho podem ser usados”, escreveram os pesquisadores em seu artigo. “Em primeiro lugar, os conjuntos de dados desenvolvidos podem ser usados para treinar e avaliar novas técnicas de aprendizado de máquina nessa área. Em segundo lugar, o software de simulação pode ser usado para gerar novos conjuntos de dados a partir desses sistemas de diferentes tamanhos, diferentes condições iniciais de dimensionalidade e distribuição, durante o treinamento o software pode ser usado para auxiliar na realização de novos experimentos e, em terceiro lugar, algumas das tendências vistas em nossos resultados podem ajudar a informar o projeto de futuras tarefas de aprendizado de máquina para simulação. ”
O novo conjunto de benchmarks introduzido por esta equipe de pesquisadores poderá em breve ajudar a melhorar a avaliação das técnicas existentes e emergentes para simular sistemas físicos. Atualmente, no entanto, ele não cobre todas as configurações e configurações de modelo possíveis, portanto, pode ser expandido ainda mais no futuro.
Publicado em 12/09/2021 11h28
Artigo original:
Estudo original: