Uma Estrutura para Avaliar Técnicas de Simulação de Sistemas Físicos

A simulação de sistemas físicos usando ferramentas de computação pode ter inúmeras aplicações críticas em estudos de pesquisa e configurações do mundo real. Muitos dispositivos existentes para simular sistemas físicos são baseados na teoria da física e também em estimativas matemáticas. Recentemente, pesquisadores de sistemas de computador têm tentado desenvolver técnicas que possam aprimorar essas ferramentas com base na análise de grandes quantidades de informações.

Os algoritmos de aprendizado de máquina (ML) são técnicas especificamente promissoras para a avaliação de dados. Consequentemente, vários cientistas da computação estabeleceram métodos de ML para simular sistemas físicos por meio da análise de informações especulativas.

Embora alguns desses dispositivos tenham alcançado resultados impressionantes, examiná-los e compará-los com outras técnicas pode ser um teste devido à grande variedade de métodos existentes e às distinções nos trabalhos para os quais foram desenvolvidos. Até o momento, por esse motivo, essas ferramentas foram avaliadas, fazendo uso de diferentes estruturas e métricas.

Cientistas do New York City College criaram uma nova coleção de critérios que pode ser usada para examinar modelos que imitam sistemas físicos. Este pacote, oferecido em um artigo pré-publicado no arXiv, pode ser customizado, adaptado, bem como estendido para avaliar uma variedade de métodos de simulação baseados em ML.

“Apresentamos um conjunto de problemas de referência para dar um passo em direção aos padrões combinados, bem como aos métodos de exame”, escreveram os pesquisadores em seu artigo. “Sugerimos quatro sistemas físicos representativos, junto com uma coleção de ambos amplamente utilizados integradores de tempo clássicos e técnicas baseadas em dados representativas (baseado em kernel, MLP, CNN, vizinhos próximos).”

O conjunto de benchmark estabelecido pelos cientistas inclui simulações de 4 designs físicos fáceis com configurações de treinamento e exame. Os quatro sistemas são: uma primavera oscilante solitária, uma equação de onda direta unidimensional (1D), um problema de circulação de Navier-Stokes e uma malha de tempos de primavera amortecida.

“Esses sistemas representam uma progressão de complexidade”, explicaram os cientistas em seu artigo. “O sistema de primavera é um sistema direto com espaço de baixa dimensão das condições iniciais e também estado de baixa dimensão; a equação de onda é um sistema direto de baixa dimensão com uma (razoavelmente) sala de estado de alta dimensão após a discretização; o Navier-Stokes as fórmulas são não lineares, e também levamos em consideração um arranjo com condições iniciais de baixa dimensão, bem como espaço de estado de alta dimensão; por último, o sistema de malha de mola tem problemas preliminares de alta dimensão e estados de alta dimensão. “

Além das simulações desses sistemas físicos simples, a suíte criada pelos cientistas consiste em uma coleção de métodos de simulação e também ferramentas. Eles consistem em técnicas matemáticas tradicionais e estratégias de ML baseadas em dados.

Usando o pacote, os cientistas podem executar avaliações organizadas e imparciais de seus métodos de simulação de ML, testando sua precisão, eficiência e estabilidade. Isso permite que eles contrastem com precisão a eficiência de dispositivos com recursos diferentes, que de outra forma seriam difíceis de contrastar. A estrutura de benchmarking também pode ser configurada e englobada para pensar sobre vários outros trabalhos e técnicas computacionais.

“Nós imaginamos três métodos pelos 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 treinamento e também para avaliar novas técnicas de inteligência artificial neste campo. Em segundo lugar, o programa de software de simulação pode ser utilizado para gerar conjuntos de dados totalmente novos a partir desses sistemas de várias dimensões, diferentes preliminares dimensionalidade do problema e também a circulação, enquanto o software de treinamento pode ser usado para ajudar na realização de experimentos adicionais, e também, finalmente, algumas das tendências vistas em nossos resultados podem ajudar a educar o layout de futuras tarefas de descoberta de máquina para simulação. “

A coleção de critérios totalmente nova introduzida por este grupo de pesquisadores pode ajudar rapidamente a aprimorar a análise de estratégias existentes e emergentes para replicar sistemas físicos. Atualmente, no entanto, ele não cobre todas as configurações e configurações de versão possíveis, portanto, pode ser expandido ainda mais no futuro.

Leia o artigo original no Techxplore .