Búsqueda · 23 momentos en 11 episodios
Sara RobiscoJuan Carlos GilFrancis VillatoroHéctor SocasGastón Giribetmotores 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 hallserie KHTUniversidad de Michiganmotores HallJuan Carlos Gilmotores serie KHTmodelo Hall NNSaraHall Neural Networkmotores de efecto HallOdysseyefecto HallHéctor SocasHAL 90002001: Una odisea del espacioSara RobiscoHall NNiVooxInglesessiglo XIXsimulación BlasovAdvanced Intelligence SystemsJoa Eng ParkGeorgia TechAtlantaCorea del Sur
Simulaciones entrenamiento modelo Hall
Con
0:000:301:001:302:002:303:12
Juan Carlos Gil explica cómo se generaron los 18.000 puntos de datos utilizados para entrenar el modelo Hall NN, detallando la proporción de simulaciones de motores Hall reales y datos semirreales con parámetros aleatorios.
…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…
Significado #2 · Palabras #1
Juan Carlos Gil compara la complejidad de modelar motores químicos con la de los motores Hall, señalando que aunque ambos son difíciles, la termodinámica de los motores químicos está resuelta desde el siglo XIX.
Habla: Juan Carlos GilPalabras #19motores químicos termodinámica siglo xixmodelado motores hall complejidad relativadinámica fluidos compresibles simulación estándarpaquetes simulación dinámica fluidos accesibilidad…por otro Con lo cual hay un transporte anómalo, se llama, de corriente Y encima, en el caso del efecto Hall Los motores Hall tienes el efecto Hall con confinamiento parcial de los electrones, en fin, es una verdadera fiesta, ¿vale? Y este es el punto de... A ver, los motores químicos tampoco es que te lo puedan modelar un chaval recién acabada la carrera, ¿vale? No es nada tampoco sencilla, pero por lo menos es más razonable, porque la reacción química que ocurre, en fin, está resuelta desde el siglo XIX, yo creo, ¿no? La termodinámica de un motor es accesible y bueno, aunque sea difícil, de hecho utilizan esta metáfora los ingleses, este dicho: es rocket science; bueno, aunque sea razonablemente difícil, pero por lo menos la dinámica y el comportamiento de los fluidos compresibles, que es lo que tienes ahí, pues se puede abordar con paquetes de simulación estándar de dinámica de fluidos, bastante accesible. Por tanto no son abordables mediante métodos teóricos suficientemente bien los motores. Eléctricos, puedes hacer prototipos, pero de nuevo nos encontramos con problemas porque podemos utilizar prototipos ajustando parámetros y viendo cómo se comporta. Pero es muy caro en el caso de los eléctricos, ¿por qué? Si son más sencillos de fabricar y…
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 #4 · Palabras #5simulación 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 nn…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…
Héctor Socas aclara la diferencia entre el modelo Hall NN (con doble N) para predecir el rendimiento de motores y el efecto Hall (con doble L), haciendo referencia a la película '2001: Una odisea del espacio'.
Habla: Héctor SocasSignificado #5 · Palabras #8modelo hall nn para rendimientoresultado 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 nn…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?…
Juan Carlos Gil describe los parámetros físicos que sirven de entrada para el modelo Hall NN, indicando que son trece en total, incluyendo el flujo de propelente y la diferencia de potencia de entrada.
Habla: Juan Carlos GilSignificado #8 · Palabras #4modelo hall nn trece parámetrosflujo propelente motores efecto halldiferencia potencia entrada cátodo hall…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 explica cómo se generaron los 18.000 puntos de datos utilizados para entrenar el modelo Hall NN, detallando la proporción de simulaciones de motores Hall reales y datos semirreales con parámetros aleatorios.
Habla: Juan Carlos GilSignificado #2 · Palabras #1motores 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…
Tras analizar los resultados del modelo Hall NN y su entrenamiento, Juan Carlos Gil describe cómo la red entrenada ofrece una mejora significativa en el tiempo de cálculo en comparación con las simulaciones iniciales.
Habla: Juan Carlos GilSignificado #3 · Palabras #2entrenamiento modelo rendimiento motoresresultados entrenamiento artículo sara robiscomodelo hall nn entrenamientosimulación chunga tiempo cálculored entrenada 9000 veces menosblaso tardaba 4 días 800 núcleos…muy profundas porque te eternizaría, porque las tienes que entrenar todas en paralelo, necesitas muchísima potencia Sí, porque el número de puntos es 18.000 Y claro, como son valores numéricos, tampoco necesitas una barbaridad de tamaño No son imágenes Claro, entonces funcionan súper bien. Estoy viendo además los datos del artículo y la gráfica de entrenamiento; los resultados del entrenamiento con la gráfica de los errores de mínimos cuadráticos es una pasada. O sea, es que ves como la gráfica es del libro, como baja el error, qué gozado. Es tremendo, o sea, conseguimos mejores resultados que las simulaciones. un poquito chunguillas, no eran blaso, eran pic más fluido sin masa, pero claro, una vez que está la red entrenada, a toda caña, dicen que tardan 9.000 veces menos que la simulación chunga esta, la blaso ya decíamos que tardaba 4.000, ¿cómo era? 4 días en 800 núcleos O sea, esto es un Modelo que está disponible, que ahora vas con tus parámetros de diseño y te saca el empuje, lo cual es realmente bueno. Acabo Héctor, no me pongas esa cara. La propulsión eléctrica es la, junto a la nuclear, la tecnología clave de propulsión de los próximos…