美国能源部阿贡国家实验室研究人员正在开发深度学习框架MaLTESE

目前，市场对于提高发动机性能和燃油经济性、减少排放的需求日益增长，汽车制造商因此面临的压力越来越大。然而，实现这些目标颇具挑战。据外媒报道，美国能源部阿贡国家实验室（Argonne National Laboratory）研究人员正在开发深度学习框架MaLTESE（发动机模拟与实验机器学习工具），以应对这一挑战。

（图片来源：阿贡国家实验室官网）

在我们日常通勤过程中，加速、减速和急刹车，都会使引擎受到严重磨损。个人驾驶习惯，以及道路和天气状况，也会造成一定损害。汽车制造商不断研究在不同条件下优化发动机运行的新方法。然而，由于有超过20种不同的参数影响燃油经济性和排放，因此找到合适的方法速度较慢，而且成本较高。

阿贡实验室研究人员Shashi Aithal和Prasanna Balaprakash利用ALCF（Argonne Leadership Computing Facility）的超级计算资源，为自动驾驶和云链接车辆开发MaLTESE。他们希望该框架能用于开发车载系统，结合高性能计算和机器学习能力，实现更高水平的实时自适应学习和控制。

为了研究不同的驾驶和发动机运行条件对发动机性能和排放的影响，研究人员使用MaLTESE模拟25万辆汽车的25分钟的典型驾驶周期，相当于芝加哥四个主要高速公路高峰时段的交通流量。ALCF的Theta系统是世界上功能最强大的超级计算机之一，仿真几乎完全使用了该系统的全部能力，只需不到15分钟的时间，比实际驾驶所需时间更短。目前，即使是在大型超级计算机上完成一个发动机周期的高拟真情境仿真，需要几天的时间。而一个典型的驾驶周期有数千个不同的发动机周期。

Aithal之前开发了基于物理的实时引擎仿真器pMODES（parallel Multi-fuel Otto Diesel Engine Simulator，并行多燃料四冲程柴油发动机仿真器），不仅运行速度比传统的发动机建模工具快得多，而且可以同时模拟数千个驾驶周期的性能和排放。MaLTESE结合了pMODES与Balaprakash的驾驶仿真深度学习工具的技术。

pMODES的发动机仿真结果用于训练深度神经网络，学习驾驶条件和发动机/变速器设计对车辆性能和排放的影响。经过训练的神经网络可在微秒内预测发动机性能和排放，实现车载实时自适应控制。Balaprakash表示，“驾驶仿真机器学习非常适合于需要大量高性能计算资源的多输入多输出应用，例如驾驶周期分析。这些工具可在巨大的参数范围内，使用相对较小的子集进行训练，然后用于其他场景预测，无需进行模拟。”