研究人員已經(jīng)開始探索使用ML在高性能計(jì)算方面提供持續(xù)改進(jìn)的可能，以解決偏微分方程和科學(xué)計(jì)算中的困難計(jì)算問題。他們發(fā)現(xiàn)，ML可以用來學(xué)習(xí)在更粗的網(wǎng)格上更好地表示PDEs。

他們能夠改進(jìn)現(xiàn)有的方案，用基于機(jī)器學(xué)習(xí)的優(yōu)化規(guī)則取代基于人類深刻洞察力的啟發(fā)式。根據(jù)他們的說法，他們?cè)贛L模型中發(fā)現(xiàn)的規(guī)則是復(fù)雜的，他們并不完全理解這些規(guī)則，但是他們集成了復(fù)雜的物理原理，比如“上卷”的概念。為了精確地模擬流體中向你吹來的東西，你應(yīng)該順著風(fēng)吹來的方向向上看。下面是他們?cè)谝粋€(gè)簡(jiǎn)單的流體動(dòng)力學(xué)模型上的結(jié)果的一個(gè)例子。

本研究的重點(diǎn)是提高技術(shù)，以解決更大規(guī)模的模擬現(xiàn)實(shí)世界的科學(xué)計(jì)算問題，如天氣和氣候預(yù)測(cè)。

研究人員還展示了一種將機(jī)器學(xué)習(xí)和物理有效結(jié)合起來的方法。神經(jīng)網(wǎng)絡(luò)可以與傳統(tǒng)模擬方法中的組件相結(jié)合，從而在復(fù)雜的高維空間中學(xué)習(xí)插值的最優(yōu)規(guī)則，而不是從零開始學(xué)習(xí)物理。

通過這樣的研究，我們可以期待更多的增強(qiáng)工程系統(tǒng)、自然現(xiàn)象仿真、知識(shí)發(fā)現(xiàn)、可視化數(shù)據(jù)處理以及更好的優(yōu)化手段。