Des chercheurs du laboratoire national d'Oak Ridge ont développé une nouvelle stratégie de conception et de formation pour les ResNets réversibles qui réduit la dimensionnalité des modèles d'apprentissage automatique de grande dimension pour les systèmes physiques complexes.

Le développement de modèles d'ordre réduit de systèmes physiques complexes est coûteux en temps de calcul. Les chercheurs de l'ORNL ont développé une approche basée sur les réseaux de neurones qui réduit le nombre d'entrées nécessaires pour développer ces modèles et, par extension, la complexité des applications HPC. La méthode de l'équipe :

• réduit un modèle à 20 dimensions à une dimension.
• réduit le taux d'erreur (par rapport à un NN standard) de 35,1 % à 1,6 %.

La réduction des entrées est obtenue en utilisant des réseaux de neurones résiduels, ou ResNets, qui utilisent des raccourcis pour contourner les calques. L'approche de l'équipe ORNL peut être utilisée pour un large éventail d'applications (et même de données expérimentales), comme l'accélération par l'équipe du processus de conception des coques composites multicouches (qui sont utilisées dans les récipients sous pression, réservoirs et réservoirs, et pièces de fusée et de vaisseau spatial) en déterminant les angles de pli optimaux.

Les chercheurs travaillent actuellement à la mise à l'échelle de l'algorithme jusqu'au supercalculateur Summit de l'ORNL, actuellement le plus puissant du monde.