p Você ouve as palavras da moda em todos os lugares - aprendizado de máquina, inteligência artificial - novas abordagens revolucionárias para transformar a maneira como interagimos com os produtos, Serviços, e informação, desde a prescrição de medicamentos a mensagens publicitárias. p Inteligência artificial, um ramo da ciência da computação que trata da simulação de comportamento inteligente em computadores, já está por trás de muitas das tecnologias que vemos hoje, incluindo assistentes virtuais online e carros sem motorista. No transporte, as aplicações vão ainda mais longe.

p Os pesquisadores da Argonne alavancam ativamente abordagens de inteligência artificial para transformar os sistemas de transporte e energia da América, tratando de problemas complexos, como congestionamento, eficiência energética, planejamento de resposta a emergências, E segurança. Sua pesquisa fornece uma compreensão mais profunda do transporte, desde o nível do componente do motor até grandes áreas metropolitanas, que ajuda os tomadores de decisão a encontrar soluções ideais para tornar os sistemas e tecnologias de transporte mais confiáveis ​​e eficientes.

p Em particular, pesquisadores usam técnicas de aprendizado de máquina, que treinam os computadores para analisar e descobrir padrões ocultos nos dados e fazer novas previsões, sem programação explícita. Os engenheiros do passado escreveriam códigos que informam a um computador o que fazer. Mas no aprendizado de máquina, engenheiros alimentam entradas e saídas de amostra para algoritmos de aprendizado de máquina, em seguida, peça à máquina para identificar a relação entre os dois. Ao fazer isso, a máquina gera um modelo, que pode então ser usado para fazer previsões.

p A necessidade sistemática de aprendizado de máquina no transporte

p Os pesquisadores da Argonne estão explorando maneiras pelas quais as técnicas de aprendizado de máquina podem ajudá-los a compreender o projeto sistemático de sistemas de transporte e identificar os principais gargalos que têm efeitos de propagação em sistemas inteiros. O engenheiro de pesquisa Eric Rask e a cientista da computação Prasanna Balaprakash estão explorando oportunidades nesta área por meio de um projeto de computação de alto desempenho financiado pelo Departamento de Energia dos EUA.

p "Estamos empenhados neste esforço porque entender como o transporte funciona como um sistema é fundamental para identificar e aliviar os problemas de tráfego e apoiar o planejamento futuro, "Rask disse." Devido à diversidade e complexidade dos sistemas envolvidos, alcançar um entendimento abrangente pode ser um desafio, mas o aprendizado de máquina pode nos ajudar a detectar melhor tendências invisíveis e mapear os principais relacionamentos e seu impacto relativo. "

p Os insights resultantes contribuem para a engenharia de controles de sistema melhores que podem tornar o transporte mais confiável, aumentar a produtividade, e poupar os consumidores nos milhões de dólares desperdiçados a cada ano parados no trânsito. Mais informações também auxiliam na tomada de decisões; com mais informações sobre incidentes de trânsito, por exemplo, consumidores e veículos autônomos podem tomar decisões sobre roteamento, os planejadores podem coordenar melhor as respostas de emergência, e os planejadores urbanos podem implementar controles para minimizar a interrupção em outras áreas do sistema.

p Acelerando o desenvolvimento e a otimização do motor

p Os pesquisadores da Argonne aplicam o aprendizado de máquina para otimizar projetos e processos avançados de motores. Mais recentemente, pesquisadores desenvolveram uma maneira poderosa de usar o aprendizado profundo (uma categoria de métodos de aprendizado de máquina) para criar um novo modelo de combustão que reduz o tempo de simulação pela metade.

p O aprendizado profundo usa uma classe de algoritmos chamados redes neurais profundas, que imitam os processos simples de sinalização do cérebro de maneira hierárquica; hoje, essas redes, auxiliado por computação de alto desempenho, pode ter várias camadas de profundidade. Eles permitem aos pesquisadores modelar propriedades cada vez mais complexas, como múltiplas vias de reação durante a combustão do combustível.

p "Tradicionalmente, pesquisadores tentarão reduzir a complexidade das reações de combustão para economizar tempo ao executar simulações, mas fazer isso pode reduzir a precisão de sua saída, "disse Sibendu Som, gerente da Seção de Multifísica Computacional da Argonne." Com nosso novo modelo, auxiliado pelo aprendizado de máquina, podemos contabilizar toda a química do combustível sem sacrificar a precisão e economizar tempo. Esse recurso é único, não apenas em sua aplicação de redes neurais, mas também em sua capacidade de reduzir significativamente o tempo de desenvolvimento. "

p Os pesquisadores da Argonne alavancaram seu conhecimento de aprendizado de máquina para ajudar uma empresa global de petróleo e gás natural a otimizar um motor a diesel para funcionar com um novo combustível.

p Antes de trabalhar com o laboratório, a empresa usou modelagem de alta fidelidade e o desenvolvimento levou vários meses. A experiência de Argonne em modelagem de combustão, computação de alto desempenho, e a experiência em aprendizado de máquina ajudou a reduzir o tempo de desenvolvimento para apenas alguns dias, mantendo a mesma qualidade de resultado.

p Otimizando o roteamento

p Os pesquisadores da Argonne também estão explorando maneiras de usar o aprendizado de máquina para otimizar o roteamento preditivo para frotas ou outros viajantes. Ter uma compreensão clara das opções de roteamento disponíveis, e sua energia associada, Tempo, e custos ambientais, e ser capaz de prever mudanças pode ajudar os operadores de frotas a escolher veículos e rotas que economizam nos custos de combustível e maximizam a eficiência.

p "Para tomar decisões de roteamento, você precisa de informações precisas sobre energia, e previsões confiáveis. Você pode conseguir isso com simulações de alta fidelidade, que levam muito tempo e não são facilmente acessíveis para a maioria das pessoas, "disse Aymeric Rousseau, gerente de simulação de veículos e mobilidade." Outra opção é usar o aprendizado de máquina, por meio do qual você pode obter uma resposta aceitável imediatamente, sem exigir modelos de sistema de transporte de alta fidelidade. "

p Permitindo uma tomada de decisão rápida e precisa sobre economia de combustível

p Rousseau e sua equipe também empregam abordagens de aprendizado de máquina para treinar modelos de veículos em apoio aos padrões CAFE (Corporate Average Fuel Economy), que regulam a economia de combustível de todos os carros e caminhões leves que operam nos Estados Unidos. Contratado pela Administração Nacional de Segurança de Tráfego Rodoviário do Departamento de Transporte dos EUA, Os pesquisadores da Argonne apoiam as análises de CAFE usando aprendizado de máquina para modelar os impactos de energia de novas tecnologias de veículos, incluindo motor, transmissão, peso leve, e tecnologias de acionamento elétrico.

p “Devido ao grande número de tecnologias disponíveis e às diferentes classes de veículos e requisitos dos consumidores, os fabricantes de automóveis se deparam com milhões de combinações potenciais de tecnologia, "Rousseau disse." Embora Argonne tenha desenvolvido processos para modelar e simular individualmente cerca de 1,5 milhão dessas combinações usando computação de alto desempenho, muitas outras opções ainda são possíveis. O uso de modelos de aprendizado de máquina treinados a partir dos resultados da simulação nos permite responder rapidamente às perguntas dos formuladores de políticas. "

p Fazendo melhores previsões de transporte

p Enquanto explora simultaneamente as aplicações do motor e do veículo, Os pesquisadores da Argonne também estão aplicando o aprendizado de máquina à modelagem de sistemas em grande escala, de olho nos impactos de energia e mobilidade. Liderando este esforço, Rousseau e sua equipe executam modelos de alta fidelidade em milhares de simulações usando computação de alto desempenho para treinar modelos de aprendizado de máquina.

p Para analisar os sistemas da cidade e prever como o transporte evoluirá no futuro, os pesquisadores precisam modelar todas as tecnologias de transporte potenciais. Mas existem muitas opções de veículos que usam diferentes fontes de combustível e têm diferentes faixas de desempenho, para não falar de ônibus, trens, andar de bicicleta, e outros modos alternativos de transporte.

p "Um grande número de execuções de modelos de computação intensiva é necessário para quantificar e compreender o impacto das diferentes tecnologias e sua interdependência. Usar o aprendizado de máquina nos permite identificar de forma rápida e eficiente parâmetros e tecnologias críticos em que se pode focar para melhor aproveitar o modelos de alta fidelidade e estudos de cenário, "Disse Rousseau.

p Olhando para a frente, os pesquisadores se esforçam para continuar crescendo e amadurecendo as competências de aprendizado de máquina do laboratório, para aprimorar a capacidade de Argonne de fornecer conhecimento útil rapidamente.

p "Essas competências, além da equipe multidisciplinar de especialistas e recursos de computação de alto desempenho de Argonne, estão provando ser ferramentas importantes para acelerar a resolução de problemas no transporte, para desafios grandes e pequenos, "Som disse.