当试图设计更省油和无排放的发动机时，汽车制造商必须考虑到燃烧过程中固有的所有复杂性。
在超级计算资源的帮助下，研究人员现在正在改进他们的计算流体动力学(CFD)模拟，以更好地捕捉这些引擎的真实行为。
作为美国能源部(DOE)阿贡国家实验室(Argonne National Laboratory)与收敛科学(Convergent Science)和并行工程(Parallel Works)两家公司合作的一部分，引擎建模人员开始使用机器学习算法和人工智能来优化模拟。Argonne和这两家公司最近获得了美国能源部授予的技术商业化基金(TCF)，以完成这一重要项目。
根据Argonne多物理计算部门经理Sibendu Som的说法，将机器学习技术融入模拟软件的关键优势是，这样做可以将发动机设计总时间从几个月减少到几天。
索姆说:“我们从设计空间的输入参数开始，从中我们试图优化我们的发动机的燃油效率和排放。”“我们需要知道什么时候加油，加油多少，加油多长时间，以及其他因素。”
索姆说，在此之前，研究人员手动和连续地进行发动机设计的复杂计算过程。通过使用机器学习算法，Som希望将优化过程完全自动化，这样模型就可以从每次单独运行中学习。
在过去，典型的优化算法可以处理在一个小型计算集群上同时运行的多达8个模拟案例的迭代。然而，通过使用Argonne领导计算设施(能源部科学用户设施办公室)的Mira超级计算机，索姆和他的同事能够同时运行数千个案例。Argonne博士后研究员Pinaki Pal说:“最终，由高保真模拟运行生成的数据被用于训练基于更快的机器学习的代理模型。”
Som解释说，一旦运行了一组案例，模型需要确定初始化下一组案例的条件。机器学习算法的应用可以大大加快这一过程。
Convergent Science的所有者和副总裁Kelly Senecal说:“通过以这种方式使用机器学习算法，我们可以极大地加快和完善我们的建模软件生成的cfd模拟。
获得TCF奖后，Som和他的同事计划将新的机器学习算法整合到convergence中，这是一个在汽车行业广泛使用的最先进的CFD建模平台。convergence Science将与Argonne和Parallel Works共享其代码，从而充分整合所有三个组织的资源和专业知识。
就其本身而言，Parallel Works将确保研究人员可以兼容使用不同的计算平台，甚至可以在创建高保真CFD模拟时互换使用。Parallel Works创始人兼首席执行官迈克尔·王尔德(Michael Wilde)表示:“有很多情况适合超级计算机的最佳状态，也有其他情况更适合基于云计算的平台。”
“并不是每一个计算挑战都需要一台超级计算机，”他补充道，“但从云计算到超级计算机的扩展能力为汽车公司提供了优化成本、性能、环境影响和能源效率的新方法。”
王尔德表示，机器学习的目标是帮助导航他所谓的“难以驾驭的巨大设计空间”，以找到下一组最优的模拟条件。“每次我们完善这些模拟，我们都试图确定测试用例，让你最好地了解如何设计引擎。”
该项目总计超过220万美元，其中75万美元来自美国能源部技术过渡办公室的直接资助，用于在阿贡进行的工作;其余的是来自“融合科学”和“并行工程”的实物捐助。
了下:AI•机器学习，快速原型
