Разработана новая суперпроизводительная модель, которая облегчит работу геологам и геофизикам по всему миру
24 марта 2022 г.
Международная команда исследователей разработала новую модель, известную как «Обучение с дифференцируемыми параметрами», которая сочетает в себе элементы как традиционных так и более новых моделей, работающих с Большими данными (Big Data). Результаты своей работы они опубликовали в Nature Communications.
Научные геолого-геофизические модели позволяют исследователям заглянуть в будущее. С их помощью изучаются потенциальные сценарии развития различных опасных природных событий, таких как изменение климата, землетрясения, наводнения, оползни. Всё это требует больших вычислительных ресурсов. При этом методы моделирования могут сильно отличаться от места к месту и то, что работает в одних условиях, может совсем не работать в иной ситуации. Ученые стараются экстраполировать опыт, накопленный в ходе моделирования на другие сценарии, но это не всегда работает.
Доцент кафедры гражданского и экологического проектирования в Пенсильванском университете Чаопэн Шэнь пишет, что «хорошо откалиброванная модель может разумно распространять информацию из наблюдений на ненаблюдаемые переменные с помощью физики модели, но традиционная калибровка крайне неэффективна и приводит к неуникальным решениям. Традиционная парадигма калибровки параметров стала отличительной проблемой для моделирования в области Больших данных (Big Data) и в геолого-геофизических исследованиях».
Поведение математических моделей во многих науках о земле (например, в гидрологии и науках об экосистемах) сильно зависит от параметров, изменяющихся в пространстве. Ученые из Пенсильванского университета пишут, что им удалось разработать новую структуру дифференцируемых параметров (dPL), которая позволяет эффективно проводить глобальное сопоставление входных данных и различных пространственных параметров.
Ученые подчеркивают, что dPL демонстрирует результаты, которые ранее не удавалось достичь традиционными геологическими моделями. По мере увеличения объема обучающих данных dPL достигает более высокой производительности, большей физической согласованности и лучшей обобщаемости данных. Требования к вычислительным мощностям, при этом, удалось снизить. Те задачи, которые обычно решаются суперкластером из 100 процессоров в течение двух-трех дней, теперь могут быть решены за один час всего одним графическим процессором.
Читать подробнее: From calibration to parameter learning: Harnessing the scaling effects of big data in geoscientific modeling
Источник: Nature Communications
Перевод/адаптация текста: «Вестник ОНЗ РАН»