Google AI presenta un nuevo marco de simulación TensorFlow que permite el cálculo de flujos de fluidos con TPUs
Google AI presenta nuevo marco de simulación TensorFlow para cálculo de flujos de fluidos con TPUs.
En la mecánica de fluidos, conocida como dinámica de fluidos computacional (CFD, por sus siglas en inglés), se examinan y resuelven problemas que involucran el comportamiento del flujo de fluidos y la transferencia de calor utilizando técnicas y algoritmos numéricos. Se puede utilizar en una amplia variedad de ámbitos científicos e industriales. Varios ámbitos académicos e industriales utilizan la dinámica de fluidos computacional (CFD). Se aplica al diseño de aerogeneradores eficientes y plantas de energía en el sector energético, a los procesos de mezcla y químicos en el sector manufacturero, a la oceanografía y la predicción del clima en las ciencias ambientales, al análisis estructural y la modelización de inundaciones en la ingeniería civil, y al diseño de edificios de bajo consumo energético en la industria de la construcción. También se aplica en la ingeniería aeroespacial y automotriz para mejorar la aerodinámica y el rendimiento del motor.
Los avances destacados en la creación de algoritmos informáticos, la construcción de modelos físicos y el análisis de datos han hecho posible estas capacidades. Además, los sistemas informáticos de alto rendimiento (HPC, por sus siglas en inglés) han mejorado drásticamente la disponibilidad, velocidad y eficiencia, permitiendo simulaciones de flujo de alta fidelidad con una resolución cada vez mayor y teniendo en cuenta procesos físicos complejos.
Para comprender mejor estos fenómenos, el estudio de la turbulencia es omnipresente en los flujos de fluidos ambientales e ingenieriles. La simulación numérica directa (DNS, por sus siglas en inglés), que representa con precisión el campo de flujo tridimensional inestable sin aproximaciones ni simplificaciones, es útil para comprender estos flujos turbulentos. Aunque es atractiva, dichas simulaciones requieren mucha potencia de procesamiento para representar con precisión los patrones de flujo de fluido en diversas escalas geográficas.
Por lo tanto, para facilitar este problema, los investigadores han desarrollado una formulación de simulación que puede permitir el cálculo de flujos de fluido con TPUs. Los investigadores lo han formulado para utilizar los avances de vanguardia en el diseño de hardware TPU y el software TensorFlow. Han enfatizado que este marco exhibe una escalabilidad eficiente para adaptarse a tamaños de problemas variables, lo que resulta en un rendimiento de tiempo de ejecución mejorado.
- Esta investigación de IA propone DISC-MedLLM una solución integral ...
- ¿Cómo pueden los robots tomar mejores decisiones? Investigadores de...
- Adept AI Labs hace de código abierto Persimmon-8B un potente modelo...
Utiliza TensorFlow basado en grafos como paradigma de programación. La precisión y el rendimiento de este marco se estudian numérica y analíticamente, centrándose específicamente en los efectos de la aritmética en punto flotante de precisión única nativa de TPU. El algoritmo y la implementación se validan con simulaciones canónicas de vórtices Taylor-Green en 2D y 3D.
A lo largo del desarrollo de los solucionadores CFD, se han utilizado frecuentemente problemas de referencia idealizados, muchos de los cuales se han incorporado a este proyecto de investigación. Un benchmark requerido para el análisis de la turbulencia es la turbulencia isotrópica homogénea (un flujo canónico y bien estudiado en el que las propiedades estadísticas, como la energía cinética, son invariantes bajo traslaciones y rotaciones de los ejes de coordenadas). Los investigadores aplicaron una malla de alta resolución con ocho mil millones de puntos.
Los investigadores investigaron la capacidad para simular flujos turbulentos. Para lograr esto, se realizaron simulaciones para dos configuraciones específicas: turbulencia isotrópica homogénea en decaimiento y un chorro plano turbulento. Los investigadores encontraron que ambas simulaciones muestran una fuerte concordancia estadística con las respuestas de referencia.
Los investigadores también emplearon cuatro escenarios de prueba distintos que abarcan el flujo de vórtices Taylor-Green en 2D y 3D, la turbulencia isotrópica homogénea en decaimiento y un chorro plano turbulento. Los resultados de la simulación mostraron que los errores de redondeo no afectaron las soluciones, lo que indica un nivel de precisión de segundo orden.
