Vous entendez les mots à la mode partout :apprentissage automatique, intelligence artificielle :nouvelles approches révolutionnaires pour transformer la façon dont nous interagissons avec les produits, prestations de service, et informations, de la prescription de médicaments aux messages publicitaires.

Intelligence artificielle, une branche de l'informatique traitant de la simulation du comportement intelligent dans les ordinateurs, est déjà à l'origine de nombreuses technologies que nous voyons aujourd'hui, y compris les assistants virtuels en ligne et les voitures sans conducteur. Dans les transports, les applications s'étendent encore plus loin.

Les chercheurs d'Argonne exploitent activement les approches de l'intelligence artificielle pour transformer les systèmes de transport et d'énergie américains, en abordant des problèmes complexes comme la congestion, efficacité énergétique, planification des interventions d'urgence, et la sécurité. Leurs recherches permettent de mieux comprendre le transport depuis le niveau des composants du moteur jusqu'aux grandes zones métropolitaines, qui aide les décideurs à trouver des solutions optimales pour rendre les systèmes et technologies de transport plus fiables et plus efficaces.

En particulier, les chercheurs utilisent des techniques d'apprentissage automatique, qui entraînent les ordinateurs à analyser et à découvrir des modèles cachés dans les données et à faire de nouvelles prédictions, sans programmation explicite. Dans le passé, les ingénieurs écrivaient du code qui disait à un ordinateur quoi faire. Mais dans l'apprentissage automatique, les ingénieurs fournissent des exemples d'entrées et de sorties aux algorithmes d'apprentissage automatique, demandez ensuite à la machine d'identifier la relation entre les deux. Ce faisant, la machine génère un modèle, qui peut ensuite être utilisé pour faire des prédictions.

Le besoin systématique d'apprentissage automatique dans les transports

Les chercheurs d'Argonne explorent les moyens par lesquels les techniques d'apprentissage automatique peuvent les aider à comprendre la conception systématique des systèmes de transport et à identifier les principaux goulots d'étranglement qui ont des effets de propagation sur des systèmes entiers. L'ingénieur de recherche Eric Rask et l'informaticienne Prasanna Balaprakash explorent les opportunités dans ce domaine dans le cadre d'un projet de calcul haute performance financé par le département américain de l'Énergie.

« Nous sommes engagés dans cet effort parce que comprendre comment le transport fonctionne en tant que système est essentiel pour identifier et atténuer les problèmes de circulation et soutenir la planification future, " a déclaré Rask. " En raison de la diversité et de la complexité des systèmes impliqués, parvenir à une compréhension globale peut être un défi, mais l'apprentissage automatique peut nous aider à mieux détecter les tendances invisibles et à cartographier les relations clés et leur impact relatif."

Les informations qui en résultent contribuent à l'ingénierie de meilleurs contrôles du système qui peuvent rendre le transport plus fiable, augmenter la productivité, et d'économiser les consommateurs sur les millions de dollars gaspillés chaque année au ralenti dans la circulation. Plus d'informations soutiennent également la prise de décision; avec plus d'informations sur les incidents de circulation, par exemple, les consommateurs et les véhicules autonomes peuvent prendre des décisions sur l'itinéraire, les planificateurs peuvent mieux coordonner les interventions d'urgence, et les urbanistes peuvent mettre en œuvre des contrôles pour minimiser les perturbations dans d'autres zones du système.

Accélérer le développement et l'optimisation des moteurs

Les chercheurs d'Argonne appliquent l'apprentissage automatique pour optimiser les conceptions et les processus avancés des moteurs. Plus récemment, les chercheurs ont développé un moyen puissant d'utiliser l'apprentissage en profondeur (une catégorie de méthodes d'apprentissage automatique) pour créer un nouveau modèle de combustion qui réduit de moitié le temps de simulation.

L'apprentissage en profondeur utilise une classe d'algorithmes appelés réseaux de neurones profonds qui imitent les processus de signaux simples du cerveau de manière hiérarchique; aujourd'hui, ces réseaux, aidé par le calcul haute performance, peut avoir plusieurs couches de profondeur. Ils permettent aux chercheurs de modéliser des propriétés de plus en plus complexes, telles que de multiples voies de réaction lors de la combustion du carburant.

"Traditionnellement, les chercheurs tenteront de réduire la complexité des réactions de combustion pour gagner du temps lors de l'exécution des simulations, mais cela peut réduire la précision de leur sortie, " a déclaré Sibendu Som, directeur de la section informatique multi-physique d'Argonne. " Avec notre nouveau modèle, aidé par l'apprentissage automatique, nous pouvons prendre en compte l'intégralité de la chimie du carburant sans sacrifier la précision et gagner du temps. Cette capacité est unique, non seulement dans son application de réseaux de neurones, mais aussi dans sa capacité à réduire considérablement le temps de développement."

Les chercheurs d'Argonne ont tiré parti de leurs connaissances en apprentissage automatique pour aider une société mondiale de pétrole et de gaz naturel à optimiser un moteur diesel pour qu'il fonctionne avec un nouveau carburant.

Avant de travailler avec le laboratoire, la société a utilisé une modélisation haute fidélité et le développement a pris plusieurs mois. L'expertise d'Argonne en modélisation de la combustion, calcul haute performance, et l'expertise en machine learning les a aidés à réduire le temps de développement à quelques jours seulement, tout en conservant la même qualité de résultat.

Optimiser le routage

Les chercheurs d'Argonne explorent également des moyens d'utiliser l'apprentissage automatique pour optimiser le routage prédictif des flottes ou d'autres voyageurs. Avoir une compréhension claire des options de routage disponibles, et leur énergie associée, temps, et les coûts environnementaux, et être capable de prévoir les changements peut aider les opérateurs de flotte à choisir des véhicules et des itinéraires qui permettent d'économiser des coûts de carburant tout en maximisant l'efficacité.

"Pour prendre des décisions de routage, vous avez besoin d'informations énergétiques précises, et des prévisions fiables. Vous pouvez obtenir cela avec des simulations haute fidélité, qui prennent beaucoup de temps et ne sont pas facilement accessibles à la plupart des gens, " a déclaré Aymeric Rousseau, Responsable Simulation Véhicules et Mobilité. " Une autre option est d'utiliser le machine learning, grâce auquel vous pouvez obtenir une réponse acceptable tout de suite, sans nécessiter de modèles de système de transport haute fidélité. »

Permettre une prise de décision rapide et précise en matière d'économie de carburant

Rousseau et son équipe utilisent également des approches d'apprentissage automatique pour former des modèles de véhicules à l'appui des normes CAFE (Corporate Average Fuel Economy), qui réglementent l'économie de carburant de toutes les voitures et camions légers exploités aux États-Unis. Contracté par la National Highway Traffic Safety Administration du Département des transports des États-Unis, Les chercheurs d'Argonne soutiennent les analyses CAFE en utilisant l'apprentissage automatique pour modéliser les impacts énergétiques des nouvelles technologies de véhicules, notamment le moteur, transmission, allègement, et les technologies d'entraînement électrique.

"En raison du grand nombre de technologies disponibles et des différentes classes de véhicules et exigences des consommateurs, les constructeurs automobiles sont confrontés à des millions de combinaisons technologiques potentielles, " a déclaré Rousseau. " Alors qu'Argonne a développé des processus pour modéliser et simuler individuellement près de 1,5 million de ces combinaisons en utilisant le calcul haute performance, de nombreuses autres options sont encore possibles. L'utilisation de modèles d'apprentissage automatique entraînés à partir des résultats de la simulation nous permet de répondre rapidement aux questions des décideurs."

Faire de meilleures prévisions de transport

Tout en explorant simultanément les applications moteur et véhicule, Les chercheurs d'Argonne appliquent également l'apprentissage automatique à la modélisation de systèmes à grande échelle, avec un œil sur les impacts énergétiques et de mobilité. Menant cet effort, Rousseau et son équipe exécutent des modèles haute fidélité sur des milliers de simulations en utilisant le calcul haute performance pour former des modèles d'apprentissage automatique.

Pour analyser les systèmes urbains et prédire comment les transports évolueront dans le futur, les chercheurs doivent modéliser toutes les technologies de transport potentielles. Mais il existe de nombreuses options de véhicules qui utilisent différentes sources de carburant et ont des plages de performances variables, sans oublier les bus, les trains, Cyclisme, et d'autres modes de transport alternatifs.

« Un très grand nombre d'exécutions de modèles à forte intensité de calcul sont nécessaires pour quantifier et comprendre l'impact des différentes technologies et leur interdépendance. L'apprentissage automatique nous permet d'identifier rapidement et efficacement les paramètres et technologies critiques sur lesquels on peut ensuite se concentrer pour mieux exploiter le modèles haute-fidélité et études de scénarios, ", a déclaré Rousseau.

Regarder vers l'avant, les chercheurs s'efforcent de continuer à développer et à développer les compétences d'apprentissage automatique du laboratoire, pour améliorer la capacité d'Argonne à fournir rapidement des connaissances utiles.

« Ces compétences, ainsi que l'équipe pluridisciplinaire d'experts d'Argonne et ses moyens de calcul haute performance, s'avèrent être des outils importants pour accélérer la résolution de problèmes dans les transports, pour les défis petits et grands, " dit Som.