Les chercheurs d'Argonne développent le framework d'apprentissage en profondeur MaLTESE (Machine Learning Tool for Engine Simulations and Experiments) pour répondre aux demandes toujours croissantes d'amélioration des performances des moteurs, économie de carburant et réduction des émissions.

Les constructeurs automobiles sont confrontés à une demande sans cesse croissante pour offrir de meilleures performances de moteur, économie de carburant et réduction des émissions. Atteindre ces objectifs, cependant, est une tâche ardue.

Des chercheurs du laboratoire national d'Argonne du département américain de l'Énergie (DOE) développent le cadre d'apprentissage en profondeur MaLTESE (Machine Learning Tool for Engine Simulations and Experiments) pour relever le défi.

Au cours de nos déplacements quotidiens, nos moteurs prennent un vrai léchage, étant donné les montagnes russes de l'accélération, décélération et arrêts brusques. Habitudes de conduite individuelles, ainsi que les conditions routières et météorologiques, également exiger un péage.

Les constructeurs automobiles recherchent constamment de nouvelles approches pour optimiser le fonctionnement du moteur dans ces diverses conditions. Et avec plus de 20 paramètres différents affectant l'économie de carburant et les émissions, déterminer la bonne approche peut s'avérer lent et coûteux.

Mais que se passerait-il si les outils de calcul haute performance (HPC) et d'apprentissage automatique pouvaient passer au crible d'innombrables combinaisons de paramètres et prédire les résultats des trajets quotidiens de milliers de conducteurs en temps réel ?

En utilisant les ressources de calcul intensif de l'Argonne Leadership Computing Facility (ALCF), une installation utilisateur du DOE Office of Science, Les chercheurs d'Argonne, Shashi Aithal et Prasanna Balaprakash, développent MaLTESE en pensant aux véhicules autonomes - ou autonomes - et connectés au cloud. Mais d'abord, ils espèrent que le cadre pourra être utilisé pour développer un système embarqué de type fabricant qui combine la puissance du HPC et de l'apprentissage automatique pour une nouvelle classe d'apprentissage adaptatif et de commandes en temps réel.

Afin d'étudier l'impact de diverses conditions de conduite et de fonctionnement du moteur sur les performances et les émissions du moteur, ils ont utilisé MaLTOSE pour simuler un cycle de conduite typique de 25 minutes de 250, 000 véhicules, le flux de trafic approximatif de quatre grandes autoroutes de Chicago pendant les heures de pointe.

Utilisant presque toute la capacité du système Theta de l'ALCF, l'un des supercalculateurs les plus puissants au monde, les simulations ont été réalisées en moins de 15 minutes, moins que le temps qu'il faut pour faire le trajet.

Actuellement, réaliser une simulation haute fidélité d'un seul cycle moteur nécessite plusieurs jours, même sur un gros supercalculateur, comme un cycle de conduite typique, ou faire la navette, a des milliers de cycles de moteur différents.

« C'est un modèle de dynamique des fluides numérique très précis qui prend beaucoup d'heures de calcul pour s'exécuter et obtenir une sortie, " dit Balaprakash. " Pour les conditions de conduite et le comportement de conduite donnés, nous voulons savoir une multitude de choses, comme les émissions d'oxyde d'azote et de carbone, et efficacité. Simuler cela prend beaucoup de temps."

Mais Aithal avait précédemment développé un simulateur de moteur en temps réel basé sur la physique appelé pMODES (simulateur de moteur diesel Otto Multi-fuel parallèle) qui non seulement fonctionne beaucoup plus rapidement que les outils de modélisation de moteur traditionnels, mais peut simultanément simuler les performances et les émissions de milliers de cycles de conduite. Un outil à fort impact pour la simulation de conduite sur des machines de classe leader, pMODES a remporté le prix de l'innovation HPC en 2015 par IDC Research (aujourd'hui Hyperion research).

MaLTESE était la fusion des pMODES d'Aithal avec les outils d'apprentissage en profondeur basés sur la simulation et étudiés par Balaprakash.

Les sorties de simulation de moteur de pMODES sont utilisées pour former un réseau de neurones profonds pour « apprendre » comment les conditions de conduite et la conception du moteur/de la transmission affectent les performances et les émissions du véhicule. Le réseau de neurones entraîné peut alors prédire les performances et les émissions du moteur pour un ensemble d'entrées en microsecondes, placer le contrôle adaptatif en temps réel à bord dans le domaine du possible.

« L'apprentissage automatique basé sur la simulation est idéal pour les applications avec plusieurs entrées et plusieurs sorties nécessitant de grandes ressources HPC, comme dans les analyses de cycle de conduite", explique Balaprakash. "Ces outils peuvent être entraînés avec un sous-ensemble relativement petit du vaste espace de paramètres, puis être utilisés pour faire des prédictions précises sur d'autres scénarios sans avoir besoin de mener réellement les simulations."

La simulation de l'équipe sur Theta est considérée comme la plus grande simulation de cycle de conduite menée simultanément sur un superordinateur de classe leader en temps réel et également la première prédiction basée sur l'apprentissage automatique des caractéristiques du cycle de conduite de milliers de voitures sur les routes et les autoroutes de la ville pendant la pointe. heure.

« L'effort MaLTESE est un excellent exemple de la façon dont les ressources de calcul intensif d'Argonne permettent aux chercheurs de combiner des simulations à grande échelle avec des méthodes d'apprentissage automatique dans le développement de nouveaux outils pour des applications réelles, telles que la conception des moteurs et les technologies des véhicules autonomes, " déclare le directeur de l'ALCF Michael Papka.

Les résultats de l'équipe de recherche ont été présentés lors de la conférence ISC High Performance qui s'est tenue à Francfort, Allemagne, en juin 2019.

"MaLTESE a le potentiel d'être une technologie de rupture visant à simuler et à apprendre des informations critiques sur les performances du moteur, émissions et dynamique du véhicule en temps réel, ", déclare Aithal. "MaLTESE pourrait conduire à un changement de paradigme rapide dans l'utilisation du HPC dans la conception, l'optimisation et le contrôle en temps réel des fonctionnalités automobiles avec des implications de grande envergure pour les véhicules autonomes et connectés."