Búsqueda · 23 momentos en 14 episodios
Sara RobiscoJuan Carlos GilFrancis VillatoroHéctor SocasGastón Giribetsimulación blasov optimiza diseñoaprendizaje automático fuente iones hallartículo advanced intelligence systemsinvestigadores corea del sur georgia techefecto hall simpáticomodelo aprendizaje automático motores hallcorriente descarga ánodo cátodoconsumo eléctrico motor paneles solaresmodelo hall nn para rendimientoredes neuronales sara en paralelorobustez predicciones hall nnensemble disminuye variabilidadredes neuronales en paralelo vagíntécnica bugging imita eleccionesmodelos ensemble deben ser igualesresultado más votado hall nnretiro outliers modelo hallmodelo hall nn hal 9000predicciones motor nave odysseyhall gente dave temomodelo hall nn odysseyefecto hall física doble lcálculos en tiempo real hall nnmodelo hall nn trece parámetrosflujo propelente motores efecto halldiferencia potencia entrada cátodo hallSaraHall Neural NetworkJuan Carlos GilHAL 90002001: Una odisea del espacioHall NNUniversidad de Michiganmotores serie KHTmodelo Hall NNHéctor SocasiVooxOdysseyefecto Hall'2001: Una odisea del espacio'motores de efecto Hallserie KHTmotores HallSara Robiscovoltaje de Hallsimulación BlasovAdvanced Intelligence SystemsJoa Eng ParkGeorgia TechAtlantaCorea del SurEnsembleVagin
Robustez predicciones Hall NN
Con
0:000:301:001:302:002:303:12
Juan Carlos Gil introduce un modelo llamado Hall NN (Hall Neural Network) para predecir el rendimiento de una fuente de iones, explicando que utiliza múltiples redes neuronales en paralelo.
…de salida, pero sigue un enfriamiento casi adiabático en la dirección transversal, que es, bueno, pues eso sí que es esperable, ¿no? A los lados no tienes nada, pues se te enfría de forma adiabática. Pero más allá de estos pequeños detalles que interesarán a los expertos en motores, el resumen es que esta simulación Blasov funciona y proporciona un detalle inaudito y nos va a permitir optimizar su diseño siempre que estemos dispuestos a utilizar 4 días de CPU y 4 días de 800 CPUs Segundo artículo, se titula Predicción del rendimiento de una fuente de iones de efecto Hall utilizando aprendizaje automático y se ha publicado en la revista Advanced Intelligence Systems también en diciembre del año pasado Lo firman Joa Eng Park, Joa Eong, nombre también aparentemente oriental, y otros ocho investigadores con filiaciones todos de Corea del Sur, salvo uno de ellos, que es del Georgia Tech, el Instituto de Tecnología de Georgia, pero el Georgia de Atlanta, no el Georgia, no el Georgia Pais en Estados Unidos En este caso el objetivo de este artículo era desarrollar un modelo de aprendizaje automático para eso, para predecir el rendimiento, en este Caso solamente de los motores Hall, el que os hablaba del efecto Hall tan simpático. En particular, pretenden obtener como resultado del modelo combinación de empuje, una clave de las que estamos hablando, y corriente de descarga. La corriente de descarga es la corriente que se forma entre ánodo y cátodo, que a la postre va a determinar el consumo eléctrico de tu motor, así que tienes que tenerlo en cuenta para poner los paneles solares suficientemente gordos. Bueno, pues ahora hay un modelo que llaman Hall NN, Hall Neural Network, si quieres, Hall NN, que usa un conjunto de redes neuronales, Sara, que he tenido que buscarlo, ¿qué era esto? Varias trabajando Al final es razonablemente sencillo y lo que consigues, como dices ahora, varias en paralelo, pues es aumentar la robustez de las predicciones. Cada uno explora ahí su espacio de fases extraño de forma posiblemente distinta y los resultados son: disminuyes la variabilidad, lo cual está fenomenal. Eso tiene un nombrecito que se llama… En inglés la palabra Ensemble. Esto es el Vagin. La técnica de bugging, que es combinar trabajando en paralelo, entonces les pones en paralelo todos ahí trabajando, ¿vale? Y es una técnica que imita las elecciones, o sea, todos están haciendo lo mismo y tienen que ser todos y todas las redes neuronales, los modelos tienen que ser exactamente iguales, no puedes meter uno de su padre, otro de su madre, cosas distintas porque no te funciona bien. Pero entonces tienen distintas semillas o algo, porque si no… Claro, son todas iguales, pero entrenan con… Lo que haces es que los datos de entrenamiento se los vas mezclando Entonces lo que haces es el resultado que das, que te va dando cada una, te da un resultado distinto y tomas el resultado más votado Entonces aquel con más votado, pues ese que tú dices, este es el bueno Aquí creo que usan todos y luego hacen estadística Claro, sí, sí, eso que se hace Retiran los outliers y Puedes coger el más votado, puedes coger, depende del valor que te den Puedes coger la media, puedes coger lo que... pero sí, es iVagin Bueno, el modelo se llama Hall NN o Hall New Grand Airbook, estaba esperando a ver si a alguno le surgía porque a mí me hizo mucha gracia Héctor Me recordó el nombre al Hall 9000, ¿no? que controlaba la nave ¿Recordáis? de 2001 uno dice en el espacio Es curioso porque el Hall NN nos va a permitir hacer predicciones del motor que moverá aquella nave cuando llegue, ¿no? Esperemos que no nos diga eso de, lo siento Dave, me temo que no puedo hacer eso No puedo hacer eso, porque Hall, la gente a lo mejor no es Consciente, porque en la película parecía como una interfaz que hablaba con la gente, pero realmente su misión era controlar la nave y supongo que incluiría aspectos tales como controlar la propulsión, pues sí, como en este caso había que hacer cálculos en tiempo real, todo eso lo tendría que hacer Hall, pero este Hall es con doble L, entiendo. Este es con doble N, el Hall de Odyssey en espacios, H-A-L. No, no, sí, pero digo... Este es Hall N-N, sí, Hall es doble N. Pero Hall con doble L porque es el efecto Hall, ¿no? El hall de la película tiene la... Es H-A-L-L y dos N mayúsculas. Sí, pero el de la película decían que a lo mejor lo habían seleccionado porque las letras H-A-L eran cada una de ellas las anteriores a las siglas I -B-M. ¿Sí conocéis esa cosa extraña, no? Mucha gente lo dice como una verdad establecida, pero hasta donde yo sé es una especulación; eso no se ha confirmado por nadie, creo. Bueno, la entrada al modelo son 13, 13, nada menos, parámetros físicos de los motores de efecto Hall, incluyendo pues eso, el flujo de propelente, la diferencia de potencia de entrada en el cátodo, el tamaño del canal de descarga En fin, 13 cosas físicas y como os decía, da lugar a la salida, al impulso y a la corriente y al gasto eléctrico, vamos El modelo lo entrenaron, Aquí Sara empieza lo divertido para ti yo creo, con 18.000 puntos, 18.000 generados, ¿cómo? Por simulaciones. Simulaciones híbridas, de las que hablamos antes, PIC, y esas para iones y átomos neutros pero para los electrones utilizaban de nuevo un fluido sin…
Significado #1 · Palabras #1
Juan Carlos Gil explica los motores eléctricos electrostáticos y sus dos tipos principales: de efecto Hall y de rejilla.
Habla: Juan Carlos GilPalabras #14efecto hall voltaje de hallmotores eléctricos efecto hallcampo eléctrico axial ánodo cátodoplasma campo magnético radial…tipo que se llama Basim R, Basimir pero sin la I final; yo siempre lo llamo Basimir para ahorrar pero le sobra una I al final que ioniza con radiofrecuencia mediante radiación electromagnética. Bueno, no me enrollo más con eso; pasamos a los de verdad que Son los motores eléctricos electrostáticos los que se usan y a su vez los hay de dos tipos: de efecto Hall y de rejilla. Los motores eléctricos de efecto Hall aprovechan el efecto; el efecto Hall es una diferencia de potencial, se llama voltaje de Hall, que aparece en un conductor por el que circula una corriente cuando se aplica un campo magnético perpendicular al movimiento de la carga. En estos motores se genera un campo eléctrico axial entre el ánodo positivo y el cátodo negativo que se está a la salida del motor y se aplica un campo magnético típicamente radial; es perpendicular al flujo del plasma pero radial, tiene simetría radial. Entonces a través del ánodo, que es el trocito que está más profundo en el Motor, se inyecta el gas propelente. El propelente típicamente xenón, que se ioniza en parte por el campo magnético del que os estoy hablando, pero fundamentalmente y esta es la gracia, por otro mecanismo que aparece ahora de forma natural según vaya…
Juan Carlos Gil introduce un modelo llamado Hall NN (Hall Neural Network) para predecir el rendimiento de una fuente de iones, explicando que utiliza múltiples redes neuronales en paralelo.
Habla: Juan Carlos GilSignificado #1 · Palabras #1simulación blasov optimiza diseñoaprendizaje automático fuente iones hallartículo advanced intelligence systemsinvestigadores corea del sur georgia techefecto hall simpáticomodelo aprendizaje automático motores hallcorriente descarga ánodo cátodoconsumo eléctrico motor paneles solaresmodelo hall nn para rendimientoredes neuronales sara en paralelorobustez predicciones hall nnensemble disminuye variabilidadredes neuronales en paralelo vagíntécnica bugging imita eleccionesmodelos ensemble deben ser igualesresultado más votado hall nnretiro outliers modelo hallmodelo hall nn hal 9000predicciones motor nave odysseyhall gente dave temomodelo hall nn odysseyefecto hall física doble lcálculos en tiempo real hall nnmodelo hall nn trece parámetrosflujo propelente motores efecto halldiferencia potencia entrada cátodo hall…de salida, pero sigue un enfriamiento casi adiabático en la dirección transversal, que es, bueno, pues eso sí que es esperable, ¿no? A los lados no tienes nada, pues se te enfría de forma adiabática. Pero más allá de estos pequeños detalles que interesarán a los expertos en motores, el resumen es que esta simulación Blasov funciona y proporciona un detalle inaudito y nos va a permitir optimizar su diseño siempre que estemos dispuestos a utilizar 4 días de CPU y 4 días de 800 CPUs Segundo artículo, se titula Predicción del rendimiento de una fuente de iones de efecto Hall utilizando aprendizaje automático y se ha publicado en la revista Advanced Intelligence Systems también en diciembre del año pasado Lo firman Joa Eng Park, Joa Eong, nombre también aparentemente oriental, y otros ocho investigadores con filiaciones todos de Corea del Sur, salvo uno de ellos, que es del Georgia Tech, el Instituto de Tecnología de Georgia, pero el Georgia de Atlanta, no el Georgia, no el Georgia Pais en Estados Unidos En este caso el objetivo de este artículo era desarrollar un modelo de aprendizaje automático para eso, para predecir el rendimiento, en este Caso solamente de los motores Hall, el que os hablaba del efecto Hall tan simpático. En particular, pretenden obtener como resultado del modelo combinación de empuje, una clave de las que estamos hablando, y corriente de descarga. La corriente de descarga es la corriente que se forma entre ánodo y cátodo, que a la postre va a determinar el consumo eléctrico de tu motor, así que tienes que tenerlo en cuenta para poner los paneles solares suficientemente gordos. Bueno, pues ahora hay un modelo que llaman Hall NN, Hall Neural Network, si quieres, Hall NN, que usa un conjunto de redes neuronales, Sara, que he tenido que buscarlo, ¿qué era esto? Varias trabajando Al final es razonablemente sencillo y lo que consigues, como dices ahora, varias en paralelo, pues es aumentar la robustez de las predicciones. Cada uno explora ahí su espacio de fases extraño de forma posiblemente distinta y los resultados son: disminuyes la variabilidad, lo cual está fenomenal. Eso tiene un nombrecito que se llama… En inglés la palabra Ensemble. Esto es el Vagin. La técnica de bugging, que es combinar trabajando en paralelo, entonces les pones en paralelo todos ahí trabajando, ¿vale? Y es una técnica que imita las elecciones, o sea, todos están haciendo lo mismo y tienen que ser todos y todas las redes neuronales, los modelos tienen que ser exactamente iguales, no puedes meter uno de su padre, otro de su madre, cosas distintas porque no te funciona bien. Pero entonces tienen distintas semillas o algo, porque si no… Claro, son todas iguales, pero entrenan con… Lo que haces es que los datos de entrenamiento se los vas mezclando Entonces lo que haces es el resultado que das, que te va dando cada una, te da un resultado distinto y tomas el resultado más votado Entonces aquel con más votado, pues ese que tú dices, este es el bueno Aquí creo que usan todos y luego hacen estadística Claro, sí, sí, eso que se hace Retiran los outliers y Puedes coger el más votado, puedes coger, depende del valor que te den Puedes coger la media, puedes coger lo que... pero sí, es iVagin Bueno, el modelo se llama Hall NN o Hall New Grand Airbook, estaba esperando a ver si a alguno le surgía porque a mí me hizo mucha gracia Héctor Me recordó el nombre al Hall 9000, ¿no? que controlaba la nave ¿Recordáis? de 2001 uno dice en el espacio Es curioso porque el Hall NN nos va a permitir hacer predicciones del motor que moverá aquella nave cuando llegue, ¿no? Esperemos que no nos diga eso de, lo siento Dave, me temo que no puedo hacer eso No puedo hacer eso, porque Hall, la gente a lo mejor no es Consciente, porque en la película parecía como una interfaz que hablaba con la gente, pero realmente su misión era controlar la nave y supongo que incluiría aspectos tales como controlar la propulsión, pues sí, como en este caso había que hacer cálculos en tiempo real, todo eso lo tendría que hacer Hall, pero este Hall es con doble L, entiendo. Este es con doble N, el Hall de Odyssey en espacios, H-A-L. No, no, sí, pero digo... Este es Hall N-N, sí, Hall es doble N. Pero Hall con doble L porque es el efecto Hall, ¿no? El hall de la película tiene la... Es H-A-L-L y dos N mayúsculas. Sí, pero el de la película decían que a lo mejor lo habían seleccionado porque las letras H-A-L eran cada una de ellas las anteriores a las siglas I -B-M. ¿Sí conocéis esa cosa extraña, no? Mucha gente lo dice como una verdad establecida, pero hasta donde yo sé es una especulación; eso no se ha confirmado por nadie, creo. Bueno, la entrada al modelo son 13, 13, nada menos, parámetros físicos de los motores de efecto Hall, incluyendo pues eso, el flujo de propelente, la diferencia de potencia de entrada en el cátodo, el tamaño del canal de descarga En fin, 13 cosas físicas y como os decía, da lugar a la salida, al impulso y a la corriente y al gasto eléctrico, vamos El modelo lo entrenaron, Aquí Sara empieza lo divertido para ti yo creo, con 18.000 puntos, 18.000 generados, ¿cómo? Por simulaciones. Simulaciones híbridas, de las que hablamos antes, PIC, y esas para iones y átomos neutros pero para los electrones utilizaban de nuevo un fluido sin…
Juan Carlos Gil resume los resultados obtenidos con el modelo Hall NN, destacando la precisión en la predicción del empuje y la corriente de descarga.
Habla: Juan Carlos GilSignificado #2motores hall serie kht estudiosimulaciones motores hall realesdatos semirreales parámetros aleatoriosred neuronal diversidad entrenamientovalidación datos experimentales michiganmodelo hall nn predicción empujeerrores modelo hall inferiores escalasimulaciones entrenamiento modelo hall…puntos, 18.000 generados, ¿cómo? Por simulaciones. Simulaciones híbridas, de las que hablamos antes, PIC, y esas para iones y átomos neutros pero para los electrones utilizaban de nuevo un fluido sin masa porque si no no les daría para hacer 18.000 ¿vale? De esos 18.000 puntos, 13.500 correspondían a simulaciones de motores Hall reales que fabrican de la serie KHT, que fabrican dos de las entidades del estudio. Dos de las propias filiaciones del estudio hacen motores iónicos y por eso han financiado este estudio. Y otros 3.500 se los añaden a los datos semirreales porque son simulados con parámetros aleatorios: motores un poquito absurdos para darle gracia a la red neuronal, para aumentar su diversidad, la diversidad del conjunto de entrenamiento. Y una vez que está entrenada la red, la validan con datos como experimentales porque tienen los motores. Los motores de la serie KHT reales y además otro que no aparece para nada en datos de entrenamiento: que es un motor real de la Universidad de Michigan. Bueno, resumiendo, los resultados son muy buenos: el empuje tiene errores inferiores a entre el 5 y el 9%, que aquí esto es tremendo, y la corriente de descarga entre el 6 y el 12%. Estos errores son inferiores a las leyes de escala que se utilizaban hace menos de 10 años y son comparables a los errores, a las diferencias que tienen las simulaciones que paradójicamente son las que se han utilizado para entrenar. No sé si me he explicado. Tenemos motores reales para validar, simulaciones de esos motores reales para entrenar la red. Bueno, pues los resultados de la red son mejores, un poquito mejores que las propias simulaciones. O sea, eso es la magia, Sara, desde mi punto de vista, del aprendizaje profundo, ¿no? Que no interpola ciegamente los datos, no, no, sino que es capaz de ver…
Sara Robisco destaca la eficiencia del conjunto de redes neuronales utilizadas para la predicción, indicando que el proceso tarda menos de un segundo.
Habla: Sara RobiscoSignificado #10redes neuronales predicción menos segundoentrenamiento modelo sesenta díaseficiencia conjunto redes neuronales paralelo…Impulso Era una marca de un desodorante, no sé. ¡Ah, ostras, sí, sí, sí, sí, sí! Pero me pilló un pequeño a mí eso. Yo creo que era un perfume. No, era un desodorante, yo creo, y no tenía una mariposita. Pues sí, me suena. No sé, pero no lo sé; puede ser. Es que fijaos lo impresionante que es este trabajo: que es que la predicción la hacen un segundo, en menos de un segundo, para que veáis la eficiencia de este conjunto de redes neuronales, que estamos hablando de varias en paralelo. Y ojo, tardó 60 días en entrenar. Ahora ya se explica. Si alguien me hace un cálculo y sale en un segundo es que no se ha esforzado lo suficiente. Pero para que veáis, ¿qué pensáis? Que bueno, que esto necesitó una barbaridad de GPUs, una cosa muy loca Vale, los cálculos se ejecutaron en un Intel Core i7 de 3,8 GHz O sea, es que eficiencia total Sí, es lo que dices tú, son redes pequeñas y esto es una de las…