A Sandia National Laboratories, laboratório de multimissão operado pela National
Technology and Engineering Solutions da Sandia LLC, uma subsidiária integral da Honeywell
International Inc., para a Administração de Segurança Nuclear Nacional do Departamento de Energia
dos EUA, desenvolveu um
algoritmo de aprendizado de máquina
capaz de realizar simulações
para cientistas de materiais quase 40.000 vezes mais rápido que o normal.
Graças ao aprendizado de máquina, projetar
materiais para tecnologias novas e avançadas pode acelerar muito.
Uma equipe de pesquisa do Sandia National Laboratories
usou com sucesso o aprendizado de máquina - algoritmos de computador que se
aprimoram por meio de padrões de aprendizagem em dados - para concluir cálculos
complexos de ciência de materiais mais de 40.000 vezes mais rápido do que o
normal.
Seus
resultados, podem anunciar uma aceleração dramática na criação de
novas tecnologias para ótica, aeroespacial, armazenamento de energia e
potencialmente medicina, ao mesmo tempo em que economizam dinheiro de
laboratórios em custos de computação.
“Estamos encurtando o ciclo de projeto”,
disse David Montes de Oca Zapiain, um cientista de materiais computacionais da
Sandia que ajudou a conduzir a pesquisa. “O design dos componentes supera
grosseiramente o design dos materiais de que você precisa para construí-los.
Queremos mudar isso. Depois de projetar um componente, gostaríamos de poder
projetar um material compatível para esse componente sem precisar esperar anos,
como acontece com o processo atual”.
A pesquisa, financiada pelo programa de Ciências da
Energia Básica do Departamento de Energia dos EUA, foi conduzida no Centro de
Nanotecnologias Integradas, uma instalação de pesquisa de usuários do DOE
operada em conjunto pelos laboratórios nacionais Sandia e Los Alamos.
O
aprendizado de máquina acelera simulações computacionalmente caras
Os pesquisadores da Sandia usaram o aprendizado de
máquina para acelerar uma simulação de computador que prevê como a mudança de
um projeto ou processo de fabricação, como ajustar a quantidade de metais em
uma liga, afetará um material. Um projeto pode exigir milhares de simulações,
que podem levar semanas, meses ou até anos para serem executadas.
A equipe cronometrou uma simulação única, sem ajuda, em
um cluster de computação de alto desempenho com 128 núcleos de processamento
(um computador doméstico típico tem de dois a seis núcleos de processamento) em
12 minutos. Com o aprendizado de máquina, a mesma simulação levou 60
milissegundos usando apenas 36 núcleos - equivalente a 42.000 vezes mais rápido
em computadores iguais. Isso significa que os pesquisadores agora podem
aprender em menos de 15 minutos o que normalmente levaria um ano.
O novo algoritmo de Sandia chegou a uma resposta 5%
diferente do resultado da simulação padrão, uma previsão muito precisa para os
propósitos da equipe. O aprendizado de máquina troca um pouco de precisão por
velocidade porque faz aproximações para cálculos de atalho.
“Nossa estrutura de aprendizado de máquina atinge
essencialmente a mesma precisão do modelo de alta fidelidade, mas por uma
fração do custo computacional”, disse o cientista de materiais da Sandia Rémi
Dingreville, que também trabalhou no projeto.
Os benefícios podem se estender além dos materiais
Dingreville e Montes de Oca Zapiain vão usar seu
algoritmo primeiro para pesquisar tecnologias ópticas ultrafinas para monitores
e telas de última geração. Sua pesquisa, no entanto, pode ser amplamente útil
porque a simulação que eles aceleraram descreve um evento comum - a mudança, ou
evolução, dos blocos de construção microscópicos de um material ao longo do
tempo.
O aprendizado de máquina foi usado anteriormente para
simulações de atalho que calculam como as interações entre átomos e moléculas
mudam ao longo do tempo. Os resultados publicados, no entanto, demonstram o
primeiro uso do aprendizado de máquina para acelerar simulações de materiais em
escalas microscópicas relativamente grandes, que a equipe do Sandia espera ter
maior valor prático para cientistas e engenheiros.
Por exemplo, os cientistas podem agora simular
rapidamente como gotículas minúsculas de metal derretido se aglomeram quando
esfriam e se solidificam, ou, inversamente, como uma mistura se separa em
camadas de suas partes constituintes ao derreter. Muitos outros fenômenos
naturais, incluindo a formação de proteínas, seguem padrões semelhantes. E
embora a equipe do Sandia não tenha testado o algoritmo de aprendizado de
máquina em simulações de proteínas, eles estão interessados em explorar essa
possibilidade no futuro.
Fonte CIMM *Artigo original aqui.
Tags
aprendizado de máquinatecnologiasinovação algoritmoCompartilhe
Revista Ferramental
Fique por dentro das noticias e novidades tecnológicas do mundo da ferramentaria.