Penelitian baru menunjukkan bahwa pembelajaran mesin dapat menghentikan siklus desain teknologi selama setahun
Computer

Penelitian baru menunjukkan bahwa pembelajaran mesin dapat menghentikan siklus desain teknologi selama setahun


Laboratorium Nasional Sandia telah mengembangkan algoritme pembelajaran mesin yang mampu melakukan simulasi untuk ilmuwan material hampir 40.000 kali lebih cepat dari biasanya. Kredit: Eric Lundin, Laboratorium Nasional Sandia

Jika semuanya bergerak 40.000 kali lebih cepat, Anda bisa makan tomat segar tiga menit setelah menanam benih. Anda bisa terbang dari New York ke LA dalam setengah detik. Dan Anda telah mengantri di keamanan bandara untuk penerbangan itu selama 30 milidetik.

Berkat pembelajaran mesin, mendesain materi untuk teknologi baru dan canggih dapat mempercepat sebanyak itu.

Sebuah tim peneliti di Sandia National Laboratories telah berhasil menggunakan pembelajaran mesin — algoritme komputer yang meningkatkan dirinya sendiri dengan mempelajari pola dalam data — untuk menyelesaikan penghitungan sains materi yang rumit lebih dari 40.000 kali lebih cepat dari biasanya.

Hasilnya, diterbitkan 4 Januari npj Bahan Komputasi, dapat menandai percepatan dramatis dalam penciptaan teknologi baru untuk optik, ruang angkasa, penyimpanan energi, dan obat-obatan potensial sekaligus menghemat uang laboratorium untuk biaya komputasi.

“Kami memperpendek siklus desain,” kata David Montes de Oca Zapiain, ilmuwan material komputasi di Sandia yang membantu memimpin penelitian. “Desain komponen melebihi desain bahan yang Anda butuhkan untuk membuatnya. Kami ingin mengubahnya. Setelah Anda mendesain komponen, kami ingin dapat mendesain bahan yang kompatibel untuk komponen itu tanpa perlu menunggu tahun, seperti yang terjadi dengan proses saat ini. “

Penelitian tersebut, yang didanai oleh program Ilmu Energi Dasar Departemen Energi AS, dilakukan di Center for Integrated Nanotechnologies, fasilitas penelitian pengguna DOE yang dioperasikan bersama oleh laboratorium nasional Sandia dan Los Alamos.

Pembelajaran mesin mempercepat simulasi yang mahal secara komputasi

Peneliti Sandia menggunakan pembelajaran mesin untuk mempercepat simulasi komputer yang memprediksi bagaimana perubahan desain atau proses fabrikasi, seperti mengutak-atik jumlah logam dalam paduan, akan memengaruhi suatu material. Sebuah proyek mungkin memerlukan ribuan simulasi, yang dapat memakan waktu berminggu-minggu, berbulan-bulan, atau bahkan bertahun-tahun untuk dijalankan.

Tim mencatat satu simulasi tanpa bantuan pada cluster komputasi berkinerja tinggi dengan 128 inti pemrosesan (komputer rumahan biasa memiliki dua hingga enam inti pemrosesan) dalam 12 menit. Dengan pembelajaran mesin, simulasi yang sama membutuhkan waktu 60 milidetik dengan hanya menggunakan 36 core yang setara dengan 42.000 kali lebih cepat pada komputer yang sama. Ini berarti para peneliti sekarang dapat belajar dalam waktu kurang dari 15 menit dari apa yang biasanya dibutuhkan setahun.

Algoritma baru Sandia sampai pada jawaban yang 5% berbeda dari hasil simulasi standar, prediksi yang sangat akurat untuk tujuan tim. Pembelajaran mesin memperdagangkan beberapa akurasi untuk kecepatan karena membuat perkiraan ke penghitungan pintasan.

“Kerangka pembelajaran mesin kami pada dasarnya mencapai akurasi yang sama dengan model kesetiaan tinggi tetapi dengan biaya komputasi yang lebih rendah,” kata ilmuwan material Sandia, Rémi Dingreville, yang juga mengerjakan proyek tersebut.

Manfaat bisa melampaui materi

Dingreville dan Montes de Oca Zapiain akan menggunakan algoritme mereka terlebih dahulu untuk meneliti teknologi optik ultra tipis untuk monitor dan layar generasi mendatang. Namun, penelitian mereka terbukti berguna secara luas karena simulasi yang mereka percepat menggambarkan peristiwa umum — perubahan, atau evolusi, blok bangunan mikroskopis suatu material dari waktu ke waktu.

Pembelajaran mesin sebelumnya telah digunakan untuk mempersingkat simulasi yang menghitung bagaimana interaksi antara atom dan molekul berubah seiring waktu. Hasil yang dipublikasikan, bagaimanapun, menunjukkan penggunaan pertama dari pembelajaran mesin untuk mempercepat simulasi material pada skala mikroskopis yang relatif besar, yang diharapkan tim Sandia akan menjadi nilai praktis yang lebih besar bagi para ilmuwan dan insinyur.

Misalnya, para ilmuwan sekarang dapat dengan cepat mensimulasikan bagaimana tetesan sangat kecil dari logam yang meleleh akan menggumpal bersama ketika mereka mendingin dan mengeras, atau sebaliknya, bagaimana campuran akan terpisah menjadi lapisan-lapisan bagian penyusunnya ketika meleleh. Banyak fenomena alam lainnya, termasuk pembentukan protein, mengikuti pola yang serupa. Dan meski tim Sandia belum menguji algoritme pembelajaran mesin pada simulasi protein, mereka tertarik untuk mengeksplorasi kemungkinannya di masa depan.


Solusi pembelajaran mesin untuk mendesain materi dengan properti optik yang diinginkan


Informasi lebih lanjut:
David Montes de Oca Zapiain dkk, Mempercepat prediksi evolusi mikrostruktur berbasis fase fase melalui model pengganti yang dilatih oleh metode pembelajaran mesin, npj Bahan Komputasi (2021). DOI: 10.1038 / s41524-020-00471-8

Disediakan oleh Sandia National Laboratories

Kutipan: Penelitian baru menunjukkan bahwa pembelajaran mesin dapat menghentikan siklus desain teknologi satu tahun (2021, 5 Januari), diakses pada 5 Januari 2021 dari https://techxplore.com/news/2021-01-machine-lop-year-technology.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.




Halaman Ini Di Persembahkan Oleh : Pengeluaran HK