研究人員開發機器學習優化器以降低產品設計成本

計算機仿真是產品設計優化過程中的關鍵部分，使工程師可以測試各種配置并在眾多不同的選擇中選擇最佳的設計。但是，即使在像美國能源部(DOE)的阿貢國家實驗室這樣的設施中，擁有最先進的資源，模擬過程也可能非常昂貴且運行時間很長。

為了加快這一設計過程，由博士后任命的Opeoluwa Owoyele和研究科學家Pinaki Pal組成的Argonne能源系統(ES)部門的研究團隊最近開發了一種稱為ActivO的新設計優化工具。新工具可以大大減少找到最佳設計所需的時間。

它采用了一種新穎的機器學習技術，可以幫助用戶專注于如何最有效地定位計算資源。(機器學習是人工智能的一種應用，它允許系統自動學習并從經驗中進行改進。)

帕爾解釋說：“ ActivO以非常聰明的方式運行仿真，并迅速確定了我們應關注的設計空間部分。” “過去需要兩到三個月的時間才能為您提供最佳設計的過程現在可以在大約一周內完成。”

在美國機械工程師學會(ASME)發表的一篇文章中，ActivO方法已成功證明可用于優化內燃機(Owoyele和Pal感興趣的一個活躍領域)，該方法是其2019年秋季國際燃燒發動機分部技術會議的一部分。這篇文章很快也會出現在《ASME能源技術雜志》上。

根據Pal論文的主要作者Owoyele所述，ActivO是一種混合算法，它利用兩種不同的機器學習代理模型的優勢來獲得卓越的性能。