Istraživači sa Univerziteta Carnegie Mellon razvili su revolucionarnu metodu za inženjerske simulacije pod nazivom TAILOR EKSPERSION (Teecnet), koja koristi napredne tehnike učenja mašine za generisanje preciznih rezultata visoke rezolucije, koristeći mnogo manje računarskih resursa. Ova neuronska mreža je osmišljena da efikasno rešava izazove u simulacijama fizičkih procesa poput prenosa toplote i protoka tečnosti, uz značajno smanjenje potrebnih resursa i vremena.
Rezultati istraživanja pokazuju da Teecnet postiže više od 96% tačnosti u unapređenju podataka, dok troši 42,76% manje računarskih resursa u poređenju sa tradicionalnim metodama. Ovaj uspeh je zabeležen u studiji objavljenoj u renomiranom časopisu računarske fizike.
Profesor Chris McComb, sa Univerziteta Carnegie Mellon, uporedio je Teecnet sa popularnim „Enhance“ dugmetom iz CSI serija, koje se koristi za povećanje kvaliteta slike. Teecnet, koristeći niskoprocesne simulacije, primenjuje algoritme za poboljšanje rezultata sa većom rezolucijom, čime se drastično poboljšava efikasnost.
Teecnet se izdvaja od drugih metoda uzoraka jer je optimizovan za efikasnost. Venzhou Ksu, doktorski student i vodeći autor istraživanja, ističe da je balans između tačnosti i efikasnosti ključan, i da je Teecnet uspešno postigao tu ravnotežu.
Docent Noelia Grande Gutierrez naglašava potencijal Teecnet-a da smanji troškove i vreme potrebne za analize, što je obično skupo i vremenski zahtevno kod tradicionalnih metoda. Metoda se trenutno pokazuje najefikasnijom na manjim računarima, što omogućava značajna smanjenja troškova kada se koristi na računarima sa manjim brojem jezgara.
Budući rad će se fokusirati na unapređivanje efikasnosti Teecnet-a na većim računarima, što će omogućiti širu primenu ove inovativne tehnologije u različitim industrijama.
