A Sandia National Laboratories, laboratório de multimissão operado pela National Technology and Engineering Solutions da Sandia LLC, uma subsidiária integral da Honeywell International Inc., para a Administração de Segurança Nuclear Nacional do Departamento de Energia dos EUA, desenvolveu um algoritmo de aprendizado de máquina capaz de realizar simulações para cientistas de materiais quase 40.000 vezes mais rápido que o normal.
Graças ao aprendizado de máquina, projetar materiais para tecnologias novas e avançadas pode acelerar muito.
Uma equipe de pesquisa do Sandia National Laboratories usou com sucesso o aprendizado de máquina - algoritmos de computador que se aprimoram por meio de padrões de aprendizagem em dados - para concluir cálculos complexos de ciência de materiais mais de 40.000 vezes mais rápido do que o normal.
Seus resultados, podem anunciar uma aceleração dramática na criação de novas tecnologias para ótica, aeroespacial, armazenamento de energia e potencialmente medicina, ao mesmo tempo em que economizam dinheiro de laboratórios em custos de computação.
“Estamos encurtando o ciclo de projeto”, disse David Montes de Oca Zapiain, um cientista de materiais computacionais da Sandia que ajudou a conduzir a pesquisa. “O design dos componentes supera grosseiramente o design dos materiais de que você precisa para construí-los. Queremos mudar isso. Depois de projetar um componente, gostaríamos de poder projetar um material compatível para esse componente sem precisar esperar anos, como acontece com o processo atual”.
A pesquisa, financiada pelo programa de Ciências da Energia Básica do Departamento de Energia dos EUA, foi conduzida no Centro de Nanotecnologias Integradas, uma instalação de pesquisa de usuários do DOE operada em conjunto pelos laboratórios nacionais Sandia e Los Alamos.
O aprendizado de máquina acelera simulações computacionalmente caras
Os pesquisadores da Sandia usaram o aprendizado de máquina para acelerar uma simulação de computador que prevê como a mudança de um projeto ou processo de fabricação, como ajustar a quantidade de metais em uma liga, afetará um material. Um projeto pode exigir milhares de simulações, que podem levar semanas, meses ou até anos para serem executadas.
Continua depois da publicidade |
A equipe cronometrou uma simulação única, sem ajuda, em um cluster de computação de alto desempenho com 128 núcleos de processamento (um computador doméstico típico tem de dois a seis núcleos de processamento) em 12 minutos. Com o aprendizado de máquina, a mesma simulação levou 60 milissegundos usando apenas 36 núcleos - equivalente a 42.000 vezes mais rápido em computadores iguais. Isso significa que os pesquisadores agora podem aprender em menos de 15 minutos o que normalmente levaria um ano.
O novo algoritmo de Sandia chegou a uma resposta 5% diferente do resultado da simulação padrão, uma previsão muito precisa para os propósitos da equipe. O aprendizado de máquina troca um pouco de precisão por velocidade porque faz aproximações para cálculos de atalho.
“Nossa estrutura de aprendizado de máquina atinge essencialmente a mesma precisão do modelo de alta fidelidade, mas por uma fração do custo computacional”, disse o cientista de materiais da Sandia Rémi Dingreville, que também trabalhou no projeto.
Os benefícios podem se estender além dos materiais
Dingreville e Montes de Oca Zapiain vão usar seu algoritmo primeiro para pesquisar tecnologias ópticas ultrafinas para monitores e telas de última geração. Sua pesquisa, no entanto, pode ser amplamente útil porque a simulação que eles aceleraram descreve um evento comum - a mudança, ou evolução, dos blocos de construção microscópicos de um material ao longo do tempo.
O aprendizado de máquina foi usado anteriormente para simulações de atalho que calculam como as interações entre átomos e moléculas mudam ao longo do tempo. Os resultados publicados, no entanto, demonstram o primeiro uso do aprendizado de máquina para acelerar simulações de materiais em escalas microscópicas relativamente grandes, que a equipe do Sandia espera ter maior valor prático para cientistas e engenheiros.
Por exemplo, os cientistas podem agora simular rapidamente como gotículas minúsculas de metal derretido se aglomeram quando esfriam e se solidificam, ou, inversamente, como uma mistura se separa em camadas de suas partes constituintes ao derreter. Muitos outros fenômenos naturais, incluindo a formação de proteínas, seguem padrões semelhantes. E embora a equipe do Sandia não tenha testado o algoritmo de aprendizado de máquina em simulações de proteínas, eles estão interessados em explorar essa possibilidade no futuro.
*Artigo original aqui.
