TensorFlow训练深度和贝叶斯神经网络的原生Fortran实现
机器学习
2025-02-12 v1 人工智能
摘要
过去十年来，机器学习 (机器学习) 在核工程领域的调查工作显著增长。随着许多方法成熟，下一阶段的调查将确定 ML 模型在生产环境中实现的可行性和有用性。许多用于 reactor 设计和评估的代码主要用 Fortran 语言编写，该语言与 TensorFlow 训练的 ML 模型不兼容。本研究提出了在 Fortran 中实现深度神经网络 (DNN) 和贝叶斯神经网络 (BNN) 的框架，允许在无需 TensorFlow C API、Python 运行时或 ONNX 转换的情况下进行原生执行。该框架易于使用且计算效率高，可在任何 Fortran 代码中实现，支持迭代求解器和通过集合或 BNN 实现不确定性量化 (UQ)。通过使用由噪声正弦波组成的两个输入一个输出测试案例验证了 Fortran 基于的预测与 TensorFlow 的预测之间的差异。DNN 预测显示几乎没有差异，实现了19.6倍的加速，而 BNN 预测则表现出轻微的不一致，这可能是由于随机数生成差异所致。对 BNN 推断实现了8.0倍的加速。随后进一步在核相关问题上进行了验证，即预测临界热流 (CHF)，该问题的行为类似且显示出显著的计算收益。还包括关于该框架成功集成到 CTF 热力学代码中的讨论，概述了其实际有用性。总体而言，本框架在 Fortran 中实现了有效的 DNN 和 BNN 模型推理，允许在现实世界的核应用中继续研究基于 ML 的方法。
引用
@article{arxiv.2502.06853,
title = {Native Fortran Implementation of TensorFlow-Trained Deep and Bayesian Neural Networks},
author = {Aidan Furlong and Xingang Zhao and Bob Salko and Xu Wu},
journal= {arXiv preprint arXiv:2502.06853},
year = {2025}
}
备注
Submitted for inclusion in the 2025 American Nuclear Society Annual Conference