基于深度学习的替代模型的性能优于模拟器

劳伦斯·利弗莫尔国家实验室(LLNL)的科学家报告说，由神经网络支持的替代模型在性能上和在某些方面要好于计算昂贵的模拟器，并且可以在诸如惯性约束聚变(ICF)之类的复杂物理问题上产生新见解。

在美国国家科学院院刊(PNAS)上发表的一篇论文中，LLNL研究人员描述了深度学习驱动的流形与循环一致性(MaCC)替代模型的开发，该模型结合了能够快速准确模拟的多模式神经网络。复杂的科学过程，包括ICF中涉及的高能密度物理学。

研究团队将该模型应用于在国家点火设施(NIF)进行的ICF爆破中，其中使用了计算成本高昂的数值模拟器来预测由该设施的高能激光所产生的冲击波所爆破的目标的能量产出。将神经网络支持的替代结果与现有模拟器进行比较，研究人员发现该替代可以充分复制该模拟器，并且在广泛的指标范围内，其替代模型的性能明显优于当前最新水平。

“我们正在处理的一个主要问题是'当您拥有大量不同类型的数据时，如何开始使用机器学习?” LLNL的计算机科学家兼主要作者Rushil Anirudh说。“我们提出的建议是通过找到一个公共空间来简化此问题，在该公共空间中所有这些模式(例如高压或高温)都可以在该空间中进行并进行分析。我们说的是，深度学习可以捕获所有这些之间的重要关系。不同的数据源，并为我们提供所有数据的紧凑表示。”

Anirudh补充说：“这样做的好处不仅在于它使分析更加容易，因为现在您拥有所有这些模态的共同空间，而且我们还表明，这样做实际上可以为您提供更好的模型，更好的分析并且客观上比基线方法更好。”

Anirudh解释说，使用神经网络可以在一秒钟之内完成同样需要数值模拟器半小时才能完成的模拟。计算机科学家和合著者Timo Bremer解释说，也许比节省计算时间更有价值，这是深度学习替代模型在ICF测试用例中分析大量复杂的高维数据的能力。用于库存现代化工作。结果表明，这种方法可能会导致新的科学发现以及执行和分析仿真的全新技术。

Bremer解释说，这在NIF上尤为重要，因为科学家尚未完全理解为什么模拟和实验之间存在差异。将来，深度学习模型可能会激发出以前不存在的功能，并为科学家提供一种方法来分析从每个NIF镜头的诊断收集到的大量X射线图像，传感器数据和其他信息，包括布雷默说，之所以没有被合并是因为其中太多的东西无法由人类单独进行分析。

布雷默说：“该工具为我们提供了一种将模拟与实验联系起来的根本不同的方式。” “通过建立这些深度学习模型，它使我们可以直接预测模拟数据的全部复杂性。利用这个共同的潜在空间将所有这些不同的模式和不同的诊断方法相关联，并使用该空间将实验与模拟联系起来，不仅对于特定的科学领域，而且对试图将计算科学与实验科学相结合的一切事物，都是非常有价值的。这可能以目前尚不可行的方式潜在地带来新的见解。”

将替代模型的预测结果与通常用于ICF实验的模拟器进行比较，研究人员发现，MaCC替代在误差和预期的能量产量方面几乎与模拟器没有区别，并且比其他类型的替代模型更准确。研究人员说，MaCC模型成功的关键是正向和反向模型的耦合以及对它们进行数据训练。代理模型使用数据输入进行预测，然后通过逆模型运行这些预测，以从输出中估计输入可能是什么。Anirudh说，在训练过程中，代理人的神经网络学会了与逆模型兼容，这意味着错误不会像以前那样积累太多。