Ricercatori dell'ETH calcolano la turbolenza con l'intelligenza artificiale
Per la prima volta, i ricercatori del Fare all'ETH di Zurigo sono riusciti ad automatizzare la modellazione della turbolenza. Il loro progetto combina algoritmi di apprendimento per rinforzo con simulazioni di flussi turbolenti sul supercomputer CSCS "Piz Daint".
La modellazione e la simulazione dei flussi turbolenti sono fondamentali per la progettazione di un'automobile o di una valvola cardiaca, per prevedere il tempo dei prossimi giorni o per tracciare la nascita di una galassia. Già il matematico, fisico e ingegnere greco Archimede si occupava di meccanica dei fluidi. Oggi, circa 2000 anni dopo, la complessità del comportamento dei flussi non è ancora del tutto compresa. Il fisico Richard Feynman considerava le turbolenze come uno dei più importanti problemi irrisolti della fisica classica. Ancora oggi sono un tema di ricerca attivo per ingegneri, scienziati e matematici.
Gli ingegneri devono considerare gli effetti dei flussi turbolenti quando costruiscono un aereo o una valvola cardiaca artificiale. I meteorologi devono tenerne conto quando prevedono il tempo, così come gli astrofisici quando simulano le galassie. Gli scienziati di queste discipline modellano la turbolenza ed effettuano simulazioni di flusso da oltre 60 anni.
I flussi turbolenti sono caratterizzati da strutture di flusso che si estendono su una vasta gamma di scale spaziali e temporali. Esistono due approcci diversi per simulare queste strutture di flusso complesse. Uno è la simulazione numerica diretta (DNS), l'altro è la simulazione large-eddy (LES).
Le simulazioni di flusso mettono alla prova i limiti dei supercomputer
Il DNS risolve le equazioni di Navier-Stokes, fondamentali per la descrizione dei flussi, con una risoluzione di miliardi e talvolta trilioni di punti della griglia. Il DNS è il metodo più accurato per calcolare il comportamento dei flussi, ma purtroppo non è pratico per la maggior parte delle applicazioni reali. Infatti, per catturare tutti i dettagli dei flussi turbolenti, sono necessari molti più punti di griglia di quanti ne possano elaborare i computer nel prossimo futuro.
Per questo motivo, i ricercatori utilizzano modelli nelle loro simulazioni in modo da non dover calcolare ogni dettaglio e raggiungere comunque un alto livello di accuratezza. Nell'approccio LES, le grandi strutture di flusso vengono risolte, mentre i cosiddetti "modelli di chiusura" tengono conto delle scale di flusso più fini e delle loro interazioni con le grandi scale. La scelta corretta del modello di chiusura è fondamentale per l'accuratezza dei risultati.
Più arte che scienza
"La modellazione di questi "modelli di chiusura" turbolenti ha seguito in gran parte un processo empirico negli ultimi 60 anni ed è ancora più un'arte che una scienza", afferma Petros Koumoutsakos, professore presso il Laboratory for Computational Science and Engineering dell'ETH di Zurigo. Koumoutsakos, il suo dottorando Guido Novati e il suo ex studente di master (ora dottorando all'Università di Zurigo) Hugues Lascombes de Larousilhe propongono quindi una nuova strategia per automatizzare il processo: Utilizzare l'intelligenza artificiale (AI) per imparare i migliori "modelli di chiusura" turbolenti dal DNS e poi applicarli al LES. I risultati sono stati pubblicati su Nature Machine Intelligence.
In particolare, i ricercatori hanno sviluppato nuovi algoritmi di apprendimento per rinforzo (RL) e li hanno combinati con le scoperte fisiche per modellare la turbolenza. "25 anni fa siamo stati i pionieri dell'accoppiamento tra intelligenza artificiale e flussi turbolenti", spiega Koumoutsakos. Ma allora i computer non erano ancora abbastanza potenti per testare molte di queste idee. "Più di recente, ci siamo anche resi conto che le reti neurali standard non sono adatte a risolvere questi problemi, poiché il modello influenza attivamente il flusso che dovrebbe aumentare", spiega l'ETH. I ricercatori hanno quindi dovuto ricorrere a un approccio di apprendimento diverso, in cui l'algoritmo impara a reagire a determinati modelli nel campo del flusso turbolento.
Modellazione automatizzata
L'idea alla base del nuovo algoritmo RL di Novati e Koumoutsako per le simulazioni large-eddy consiste nell'utilizzare i punti della griglia che risolvono il campo di flusso come agenti AI. Gli agenti imparano i modelli di chiusura osservando migliaia di simulazioni di flusso. "Per poter effettuare tali simulazioni su larga scala, è stato fondamentale avere accesso al supercomputer del CSCS "Piz Daint"", sottolinea Koumoutsakos. Dopo l'addestramento, gli agenti sono liberi di agire nella simulazione di flussi in cui non sono stati precedentemente addestrati.
Il modello di turbolenza impara "giocando" con il flusso. "La macchina 'vince' quando i risultati del LES sono identici a quelli del DNS, come quando le macchine imparano a giocare una partita a scacchi o il gioco GO", spiega Koumoutsakos. Durante il LES, l'IA esegue le azioni delle scale non risolte osservando solo la dinamica delle grandi scale risolte"."Secondo i ricercatori, il nuovo metodo non solo supera gli approcci di modellazione consolidati, ma può anche essere generalizzato a tutte le dimensioni della griglia e alle condizioni di flusso.
La parte cruciale del metodo è un nuovo algoritmo sviluppato da Novati che identifica quali simulazioni precedenti sono rilevanti per ogni stato di flusso. Secondo i ricercatori, il cosiddetto algoritmo "Remember and Forget Experience Replay" supera la maggior parte degli algoritmi RL esistenti su diversi problemi di riferimento che vanno oltre la meccanica dei fluidi. Il team ipotizza che il metodo appena sviluppato non sarà importante solo per la costruzione di automobili e per le previsioni meteorologiche. "Per la maggior parte dei problemi scientifici e ingegneristici, possiamo risolvere solo le 'grandi scale' e modellare quelle 'fini'", afferma Koumoutsakos. "La metodologia appena sviluppata offre un modo nuovo e potente per automatizzare la modellazione su più scale e far progredire la scienza attraverso un uso oculato dell'IA".
Riferimento alla letteratura
Novati G, Lascombes de Laroussilhe H & Koumoutsakos P: Automating turbulence modelling by multi-agent reinforcement learning, Nature Machine Intelligence, 4 gennaio 2021, DOI: pagina esterna10.1038/s42256-020-00272-0