p Pesquisadores do Oak Ridge National Laboratory desenvolveram um novo design e estratégia de treinamento para ResNets reversíveis que reduz a dimensionalidade de modelos de aprendizado de máquina de alta dimensão para sistemas físicos complexos. p O desenvolvimento de modelos de ordem reduzida de sistemas físicos complexos é caro do ponto de vista computacional. Os pesquisadores do ORNL desenvolveram uma abordagem baseada em rede neural que reduz o número de entradas necessárias para desenvolver esses modelos e, por extensão, a complexidade dos aplicativos HPC. O método da equipe:

• reduziu um modelo de 20 dimensões para 1 dimensão.
• reduziu a taxa de erro (em comparação com um NN padrão) de 35,1% para 1,6%.

p A redução de entrada é alcançada através do emprego de redes neurais residuais, ou ResNets, que utilizam atalhos para ignorar camadas. A abordagem da equipe ORNL pode ser usada para uma ampla gama de aplicações (e até mesmo dados experimentais), como a aceleração da equipe do processo de design de cascas compostas multicamadas (que são usadas em vasos de pressão, reservatórios e tanques, e partes de foguetes e naves espaciais) determinando os ângulos de camada ideais.

p Os pesquisadores estão atualmente trabalhando na escala do algoritmo até o supercomputador Summit do ORNL, atualmente o mais poderoso do mundo.