Google AI introduce un nuovo framework di simulazione TensorFlow che consente il calcolo dei flussi di fluido con TPUs

Google AI introduce un nuovo framework di simulazione TensorFlow per calcolare i flussi di fluido con TPUs.

In meccanica dei fluidi, nota come dinamica dei fluidi computazionale (CFD), vengono esaminati e risolti problemi che riguardano il comportamento del flusso dei fluidi e il trasferimento di calore utilizzando tecniche e algoritmi numerici. Può essere utilizzato in una vasta gamma di settori scientifici e industriali. Diversi settori accademici e industriali utilizzano la dinamica dei fluidi computazionale (CFD). Viene applicato alla progettazione di turbine eoliche ed impianti di energia nel settore energetico, ai processi di miscelazione e chimici nel settore manifatturiero, all’oceanografia e alle previsioni meteorologiche nelle scienze ambientali, all’analisi strutturale e alla modellazione delle inondazioni nell’ingegneria civile e alla progettazione di edifici ad alta efficienza energetica nell’industria edilizia. Viene anche applicato nell’ingegneria aerospaziale e automobilistica per migliorare l’aerodinamica e le prestazioni dei motori.

I notevoli progressi nella creazione di algoritmi di calcolo, nella costruzione di modelli fisici e nell’analisi dei dati hanno reso possibili queste capacità. Inoltre, i sistemi di calcolo ad alte prestazioni (HPC) hanno migliorato notevolmente la disponibilità, la velocità e l’efficienza, consentendo simulazioni di flusso ad alta fedeltà con una risoluzione sempre maggiore e considerando processi fisici complessi.

Per comprendere meglio questi fenomeni, lo studio della turbolenza è ubiquo nei flussi di fluidi ambientali e ingegneristici. La simulazione numerica diretta (DNS), che rappresenta accuratamente il campo di flusso tridimensionale instabile senza approssimazioni o semplificazioni, è utile per comprendere questi flussi turbolenti. Sebbene allettanti, tali simulazioni richiedono molta potenza di elaborazione per rappresentare accuratamente i modelli di flusso dei fluidi su diverse scale geografiche.

• Questa ricerca sull’IA propone DISC-MedLLM una soluzione completa che sfrutta i grandi modelli di linguaggio (LLM) per fornire risposte mediche accurate.
• Come possono i robot prendere decisioni migliori? Ricercatori del MIT e di Stanford presentano Diffusion-CCSP per un ragionamento e pianificazione avanzati dei robot
• Rendere la vita più amichevole con i robot personali

Quindi, per facilitare questa problematica, i ricercatori hanno sviluppato una formulazione di simulazione in grado di consentire il calcolo dei flussi di fluidi con TPUs. I ricercatori l’hanno formulato utilizzando avanzamenti all’avanguardia nel design hardware delle TPUs e nel software TensorFlow. Hanno sottolineato che questo framework presenta una scalabilità efficiente per adattarsi a dimensioni di problema variabili, con un miglioramento delle prestazioni di runtime.

Utilizza TensorFlow, basato sul modello di programmazione a grafo. Accuratezza e prestazioni di questo framework sono studiati numericamente e analiticamente, con un particolare focus sugli effetti dell’aritmetica dei punti mobili a virgola singola native delle TPUs. L’algoritmo e l’implementazione sono validati con simulazioni di vortici di Taylor-Green 2D e 3D canonici.

Durante lo sviluppo dei risolutori CFD, sono state frequentemente utilizzate problematiche di benchmark idealizzate, molte delle quali sono state incorporate in questa ricerca. Un benchmark richiesto per l’analisi della turbolenza è la turbolenza isotropa omogenea (un flusso canonico e ben studiato in cui le proprietà statistiche, come l’energia cinetica, sono invarianti rispetto alle traduzioni e alle rotazioni degli assi di coordinate). I ricercatori hanno utilizzato una griglia ad alta risoluzione con otto miliardi di punti.

I ricercatori hanno studiato la capacità di simulare flussi turbolenti. Per raggiungere questo obiettivo, sono state effettuate simulazioni per due configurazioni specifiche: la turbolenza isotropa omogenea in decadimento e un getto planare turbolento. I ricercatori hanno scoperto che entrambe le simulazioni mostrano una forte concordanza statistica con le risposte di benchmark.

I ricercatori hanno anche utilizzato quattro scenari di test distinti che comprendono il flusso di vortici di Taylor-Green 2D e 3D, la turbolenza isotropa omogenea in decadimento e un getto planare turbolento. I risultati delle simulazioni hanno mostrato che gli errori di arrotondamento non hanno influenzato le soluzioni, indicando un livello di accuratezza di secondo ordine.