Un Cadre pour évaluer les techniques de Simulation de Systèmes Physiques
La simulation de systèmes physiques à l’aide d’outils informatiques peut avoir de nombreuses applications critiques dans les études de recherche et les paramètres du monde réel. De nombreux dispositifs existants pour simuler des systèmes physiques sont basés sur la théorie physique et également sur des estimations mathématiques. Ces derniers temps, les chercheurs en systèmes informatiques ont essayé de développer des techniques susceptibles d’améliorer ces outils sur la base de l’analyse de vastes quantités d’informations.
Les algorithmes d’apprentissage automatique (ML) sont des techniques particulièrement prometteuses pour l’évaluation des données. Par conséquent, de nombreux informaticiens ont établi des méthodes ML pour simuler des systèmes physiques en analysant des informations spéculatives.
Bien que certains de ces appareils aient obtenu des résultats impressionnants, les examiner et les comparer à d’autres techniques peut être un test en raison de la grande variété de méthodes existantes et des distinctions dans les tâches pour lesquelles elles sont développées. Jusqu’à présent, pour cette raison, ces outils ont été évalués, en utilisant différentes structures et métriques.
Des scientifiques du New York City College ont créé une nouvelle collection de critères qui peut être utilisée pour examiner des modèles pour imiter des systèmes physiques. Cette suite, proposée dans un article prépublié sur arXiv, peut être personnalisée, adaptée et étendue pour évaluer une gamme de méthodes de simulation basées sur l’apprentissage automatique.
“Nous présentons un ensemble de problèmes de référence pour faire un pas vers des normes fusionnées ainsi que des méthodes d’examen”, ont écrit les chercheurs dans leur article. “Nous suggérons quatre systèmes physiques représentatifs, ainsi qu’une collection d’intégrateurs de temps classiques largement utilisés et de techniques de représentation basées sur les données (basées sur le noyau, MLP, CNN, voisins proches)”.
La suite de référence établie par les scientifiques comprend des simulations de 4 conceptions physiques faciles avec des configurations de formation et d’examen. Les quatre systèmes sont un printemps oscillant solitaire, une équation d’onde directe unidimensionnelle (1D), un problème de circulation de Navier-Stokes et un maillage de printemps amorti.
“Ces systèmes représentent une progression de la complexité”, ont expliqué les scientifiques dans leur article. « Le système printanier est un système direct avec un espace de faible dimension des conditions initiales et également un état de faible dimension ; l’équation d’onde est un système direct de faible dimension avec une chambre d’état (raisonnablement) dimensionnelle après discrétisation ; les formules de Navier-Stokes sont non linéaires, et nous prenons également en considération un arrangement avec des conditions initiales de faible dimension ainsi qu’un espace d’état de grande dimension ; enfin, le système de maillage ressort a à la fois des problèmes préliminaires de grande dimension et des états de grande dimension.
En plus des simulations de ces systèmes physiques simples, la suite créée par les scientifiques se compose d’un ensemble de méthodes de simulation ainsi que d’outils. Celles-ci se composent à la fois de techniques mathématiques traditionnelles et de stratégies de ML basées sur les données.
À l’aide de la suite, les scientifiques peuvent exécuter des évaluations organisées et impartiales de leurs méthodes de simulation ML, en testant leur précision, leur efficacité et leur stabilité. Cela leur permet de comparer avec précision l’efficacité des appareils avec des caractéristiques différentes, qui seraient autrement difficiles à contraster. Le cadre d’analyse comparative peut également être configuré et englobé pour réfléchir à divers autres emplois et techniques de calcul.
“Nous envisageons trois méthodes selon lesquelles les résultats de ce travail pourraient être utilisés”, ont écrit les chercheurs dans leur article. « Premièrement, les ensembles de données développés peuvent être utilisés pour la formation et également pour évaluer les toutes nouvelles techniques d’intelligence artificielle dans ce domaine. Deuxièmement, le logiciel de simulation peut être utilisé pour générer de nouveaux ensembles de données à partir de ces systèmes de différentes dimensions, différentes dimensionnalités du problème préliminaire et également de la circulation, tandis que le logiciel de formation pourrait être utilisé pour aider à mener des expériences supplémentaires, et enfin, quelques-unes des tendances observées dans nos résultats pourraient aider à éduquer la configuration des futures tâches de découverte de machines pour la simulation.
La toute nouvelle collection de critères introduite par ce groupe de chercheurs pourrait rapidement aider à améliorer l’analyse des stratégies existantes et émergentes de réplication des systèmes physiques. Actuellement, néanmoins, il ne couvre pas toutes les configurations et configurations de version possibles, donc peut-être encore plus étendu à l’avenir.
Lisez l’article original sur Techxplore.
