SciMARL设置图。代理沿墙均匀分布，每个代理获取状态信息墙-离墙正常高度hm，计算墙处的奖励并输入策略π以获得下一时间步的动作a。鸣谢:自然通讯(2022)。预测气候和环境如何随时间变化，或者空气如何在飞机上流动，这些问题太复杂了，即使是最强大的超级计算机也无法解决。科学家依靠模型来填补他们能够模拟的和他们需要预测的之间的空白。但是，正如每个气象学家都知道的那样，模型通常依赖于部分甚至错误的信息，这可能导致糟糕的预测。现在，来自哈佛大学约翰·a·保尔森工程和应用科学学院(SEAS)的研究人员正在形成他们所谓的“智能合金”，将计算科学的力量与人工智能结合起来，开发出补充模拟的模型，以预测科学最复杂系统的进化。
在《自然通讯》发表的一篇论文中，工程和应用科学的Herbert S. Winokur，Jr .教授Petros Koumoutsakos和合著者Jane Bae(SEAS应用计算科学研究所的前博士后研究员)将强化学习与数值方法结合起来计算湍流，这是工程中最复杂的过程之一。
强化学习算法是相当于B.F .斯金纳的行为条件实验的机器。斯金纳是1959年至1974年间哈佛大学的埃德加·皮尔斯心理学教授，他训练鸽子打乒乓球，奖励能把球啄过对手的对手。这种奖励强化了像交叉击球这样的策略，通常会得到一分和一顿美餐。
在智能合金中，鸽子被机器学习算法(或代理)取代，这些算法通过与数学方程进行交互来学习。
“我们拿一个方程玩一个游戏，在这个游戏中，智能体正在学习完成方程中我们无法解决的部分，”Bae说，他现在是加州理工学院的助理教授。“代理从计算可以解决的观察中添加信息，然后他们改进计算已经完成的工作。”
“在许多复杂的系统中，如湍流，我们知道方程，但我们永远不会有足够精确的计算能力来解决工程和气候应用，”Koumoutsakos说。“通过使用强化学习，许多代理可以学习补充最先进的计算工具，以准确地求解方程。”
使用这一过程，研究人员能够比目前的方法更准确地预测与固体壁(如涡轮叶片)相互作用的挑战性湍流。
Bae说:“有很大的应用范围，因为从海上风力涡轮机到能源系统的每个工程系统都使用模型来进行流动与设备的相互作用，我们可以使用这种多代理强化思想来开发、增强和改进模型。”
多尺度LED。鸣谢:自然机器智能(2022)。在《自然机器智能》杂志上发表的第二篇论文中，Koumoutsakos和他的同事使用机器学习算法来加速对长期复杂过程的模拟预测。以形态发生为例，即细胞分化成组织和器官的过程。了解形态发生的每一步对了解某些疾病和器官缺陷至关重要，但没有一台计算机足够大，能够在数月内对形态发生的每一步进行成像和存储。
“如果一个过程在几秒钟内发生，你想了解它是如何工作的，你需要一台在几毫秒内拍照的相机，”Koumoutsakos说。“但如果这个过程是发生在数月或数年的更大过程的一部分，比如形态发生，你试图在整个时间尺度上使用毫秒相机，那就忘了它吧——你会耗尽资源。”
Koumoutsakos和他的团队，包括来自苏黎世联邦理工学院和麻省理工学院的研究人员，证明了人工智能可以用于生成精细模拟的简化表示(相当于实验图像)，压缩信息几乎就像压缩大文件一样。然后，算法可以反转该过程，将缩小的图像移回其完整状态。在简化的表示中求解比在全状态下执行计算更快，并且使用更少的能量资源。
“最大的问题是，我们能否利用有限的简化表征来预测未来的完整表征，”Koumoutsakos说。
答案是肯定的。
“因为算法一直在学习我们知道是真实的简化表示，所以它们不需要完整表示来为过程中的下一步生成简化表示，”SEAS大学的研究生、论文的第一作者Pantelis Vlachas说。
通过使用这些算法，研究人员证明了他们可以比以全分辨率运行模拟快几千到一百万倍。因为算法已经学会了如何压缩和解压缩信息，所以它们可以生成预测的完整表示，然后可以与实验进行比较。研究人员在复杂系统的模拟中展示了这种方法，包括分子过程和流体力学。
“在一篇论文中，我们通过构建智能模型，使用人工智能来补充模拟。在另一篇论文中，我们使用AI将模拟加速了几个数量级。接下来，我们希望探讨如何将这两者结合起来。我们称这些方法为智能合金，因为融合可以比每一个部分都更强。人工智能和计算科学之间有很大的创新空间。”Koumoutsakos说。
《自然机器智能》这篇论文是由圣乔治·阿拉姆帕齐斯(哈佛/苏黎世联邦理工学院)和卡洛琳·乌勒(麻省理工学院)合著的。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
