盖世汽车讯 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。

　　500)this.width=500 align=center hspace=10 vspace=10 rel=nofollow/>

　　500)this.width=500 align=center hspace=10 vspace=10 rel=nofollow/

　　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。