研究人员开发机器学习优化器以降低产品设计成本

计算机仿真是产品设计优化过程中的关键部分，使工程师可以测试各种配置并在众多不同的选择中选择最佳的设计。但是，即使在像美国能源部(DOE)的阿贡国家实验室这样的设施中，拥有最先进的资源，模拟过程也可能非常昂贵且运行时间很长。

为了加快这一设计过程，由博士后任命的Opeoluwa Owoyele和研究科学家Pinaki Pal组成的Argonne能源系统(ES)部门的研究团队最近开发了一种称为ActivO的新设计优化工具。新工具可以大大减少找到最佳设计所需的时间。

它采用了一种新颖的机器学习技术，可以帮助用户专注于如何最有效地定位计算资源。(机器学习是人工智能的一种应用，它允许系统自动学习并从经验中进行改进。)

帕尔解释说：“ ActivO以非常聪明的方式运行仿真，并迅速确定了我们应关注的设计空间部分。” “过去需要两到三个月的时间才能为您提供最佳设计的过程现在可以在大约一周内完成。”

在美国机械工程师学会(ASME)发表的一篇文章中，ActivO方法已成功证明可用于优化内燃机(Owoyele和Pal感兴趣的一个活跃领域)，该方法是其2019年秋季国际燃烧发动机分部技术会议的一部分。这篇文章很快也会出现在《ASME能源技术杂志》上。

根据Pal论文的主要作者Owoyele所述，ActivO是一种混合算法，它利用两种不同的机器学习代理模型的优势来获得卓越的性能。