针对复杂系统的简化 增强的性能预测

橡树岭国家实验室的研究人员为可逆Resnet开发了一种新颖的设计和训练策略，降低了复杂物理系统的高维机器学习模型的维度。

开发复杂物理系统的降阶模型在计算上是昂贵的。ORNL研究人员开发了一种基于神经网络的方法，可以减少开发这些模型所需的输入数量，并进而扩展HPC应用程序的复杂性。团队的方法：

将20维模型简化为1维。

将错误率(与标准NN相比)从35.1%降低到1.6%。

通过使用残余神经网络或ResNets来实现输入减少，所述残余神经网络或ResNets利用快捷方式来绕过层。ORNL团队的方法可用于广泛的应用(甚至是实验数据)，例如团队加速多层复合壳体(用于压力容器，储存器和储罐，以及火箭等)的设计过程。航天器部件)通过确定最佳的帘布层角度。

研究人员目前正致力于将算法扩展到ORNL的Summit超级计算机，这是目前世界上最强大的计算机。