导读 橡树岭国家实验室的研究人员为可逆 ResNet 开发了一种新颖的设计和训练策略，可以降低复杂物理系统的高维机器学习模型的维数。开发复杂物

橡树岭国家实验室的研究人员为可逆 ResNet 开发了一种新颖的设计和训练策略，可以降低复杂物理系统的高维机器学习模型的维数。

开发复杂物理系统的降阶模型在计算上是昂贵的。ORNL 研究人员开发了一种基于神经网络的方法，可以减少开发这些模型所需的输入数量，进而降低 HPC 应用程序的复杂性。团队方法：

输入减少是通过使用残差神经网络或 ResNets 来实现的，它利用快捷方式绕过层。ORNL 团队的方法可用于广泛的应用(甚至是实验数据)，例如团队对多层复合材料壳(用于压力容器、水库和坦克，以及火箭和航天器部件)通过确定最佳层板角度。

研究人员目前正致力于将该算法扩展到 ORNL 的 Summit 超级计算机，该超级计算机目前是世界上最强大的。