目前，市場對于提高發動機性能和燃油經濟性、減少排放的需求日益增長，汽車制造商因此面臨的壓力越來越大。然而，實現這些目標頗具挑戰。據外媒報道，美國能源部阿貢國家實驗室（Argonne National Laboratory）研究人員正在開發深度學習框架MaLTESE（發動機模擬與實驗機器學習工具），以應對這一挑戰。

（圖片來源：阿貢國家實驗室官網）

在我們日常通勤過程中，加速、減速和急剎車，都會使引擎受到嚴重磨損。個人駕駛習慣，以及道路和天氣狀況，也會造成一定損害。汽車制造商不斷研究在不同條件下優化發動機運行的新方法。然而，由于有超過20種不同的參數影響燃油經濟性和排放，因此找到合適的方法速度較慢，而且成本較高。

阿貢實驗室研究人員Shashi Aithal和Prasanna Balaprakash利用ALCF（Argonne Leadership Computing Facility）的超級計算資源，為自動駕駛和云鏈接車輛開發MaLTESE。他們希望該框架能用于開發車載系統，結合高性能計算和機器學習能力，實現更高水平的實時自適應學習和控制。

為了研究不同的駕駛和發動機運行條件對發動機性能和排放的影響，研究人員使用MaLTESE模擬25萬輛汽車的25分鐘的典型駕駛周期，相當于芝加哥四個主要高速公路高峰時段的交通流量。ALCF的Theta系統是世界上功能最強大的超級計算機之一，仿真幾乎完全使用了該系統的全部能力，只需不到15分鐘的時間，比實際駕駛所需時間更短。目前，即使是在大型超級計算機上完成一個發動機周期的高擬真情境仿真，需要幾天的時間。而一個典型的駕駛周期有數千個不同的發動機周期。

Aithal之前開發了基于物理的實時引擎仿真器pMODES（parallel Multi-fuel Otto Diesel Engine Simulator，并行多燃料四沖程柴油發動機仿真器），不僅運行速度比傳統的發動機建模工具快得多，而且可以同時模擬數千個駕駛周期的性能和排放。MaLTESE結合了pMODES與Balaprakash的駕駛仿真深度學習工具的技術。

pMODES的發動機仿真結果用于訓練深度神經網絡，學習駕駛條件和發動機/變速器設計對車輛性能和排放的影響。經過訓練的神經網絡可在微秒內預測發動機性能和排放，實現車載實時自適應控制。Balaprakash表示，“駕駛仿真機器學習非常適合于需要大量高性能計算資源的多輸入多輸出應用，例如駕駛周期分析。這些工具可在巨大的參數范圍內，使用相對較小的子集進行訓練，然后用于其他場景預測，無需進行模擬。”