Detailansicht
From code optimization to AI-driven modeling
improving the KOMPOT code for accelerated upper atmosphere simulations
Axinya Tokareva
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Physik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Computational Science
Betreuer*in
Manuel Güdel
DOI
10.25365/thesis.77063
URN
urn:nbn:at:at-ubw:1-24726.51450.750982-0
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Einleitung: Die Erforschung und Simulation der oberen Schichten exoplanetarer Atmosphären sind von entscheidender Bedeutung für das Verständnis der Planetenentwicklung und die Einschätzung ihres Habitatspotenzials, was mit der schnell wachsenden Zahl der entdeckten Exoplaneten immer aktueller wird. Jüngste Studien an Exoplanetenproben von JWST zeigen, dass einige der wichtigsten Prozesse, die die Dynamik der oberen Atmosphären bestimmen, photochemische Reaktionen sind. Herkömmliche Tools sind oft nur begrenzt in der Lage, diese komplexen Wechselwirkungen zu berücksichtigen, nicht aber der 1D-Erstprinzipien-Code KOMPOT, der daher auch selbstkonsistent ist. Zusammen mit dynamischen Berechnungen atmosphärischer Entweichungsphänomene deckt dieser Code etwa 500 chemische Reaktionen ab, einschließlich Photoreaktionen, was sich jedoch negativ auf seine Laufzeit auswirkt. Das Ziel dieser Masterarbeit war es, den KOMPOT-Code zu optimieren, ohne die Genauigkeit der Simulationen zu beeinträchtigen. Methodik: In dieser Arbeit wurden Techniken des Hochleistungsrechnens verwendet, gefolgt von der Integration von KI-Modellierung in den Simulationsprozess. (1) Zunächst wurde der Code durch Code-Profiling (gprof), Compiler-Optimierungen, paralleles Rechnen (OpenMP) und die Verwendung einer schnellen wissenschaftlichen Bibliothek (OpenBLAS) optimiert, um manuell programmierte Algorithmen zur Lösung linearer Gleichungen zu ersetzen. (2) Anschließend wurde ein innovativer, skalierbarer und aktualisierbarer Ansatz entwickelt, indem Atmosphärenprofile mit Hilfe von dual cascade ensemble deep learning neuronalen Netzen (NNs) als über maschinelles Lernen (ML) informierte anfängliche Schätzungen für den KOMPOT-Code verwendet wurden, um ein vollständiges, physikalisch konsistentes Modell mit weniger erforderlichen Iterationen zu finden. Ein Datensatz von 136 Atmosphärenmodellen wurde mit KOMPOT generiert, die fast alle TRAPPIST-1 Planeten in Bezug auf die Größe abdecken, mit anfänglichen Standardisierungswerten, die auf erdähnlichen Parametern basieren: die Basis der Atmosphäre war 258.2 K, der entsprechende Wert der Teilchendichte war 1.73077 10^-16 cm^-3, und der Zenitwinkel, unter dem das simulierte Segment lag, betrug 66 Grad; die Anteile von N2 und CO2 reichten von 1% bis 99%. (2.1) Das erste Aufmerksamkeitsbasierte NN sagt die Temperatur und Höhe der Exobase voraus, die bedingte Grenze, wo die Wahrscheinlichkeit, dass die atmosphärischen Teilchen ohne weitere Kollisionen wegfliegen, signifikant wird, basierend auf bekannten Anfangswerten: Planetenmasse, Orbitalabstand, und CO2 Mischungsverhältnis. (2.2) Das zweite Faltende NN (CNN), das die vom ersten NN vorhergesagten Exobase-Werte zusätzlich zu denselben Anfangswerten verwendet, sagt vollständige Temperaturprofile voraus, die bei 50 km beginnen. Ergebnisse: Unter Beibehaltung der gleichen Rechengenauigkeit beschleunigte dieser Ansatz den Code um einen Faktor von 4.3 für den Fall geringer Bestrahlung (ähnlich wie bei Erde) und um einen Faktor von 6.5 für den Fall hoher Bestrahlung (ähnlich wie bei Merkur) im Vergleich zur Basissimulation auf 4 Threads; oder um einen Faktor von 12.1 und 18.3 im Vergleich zum Basiscode auf einem Thread. Die Code-Optimierung separat beschleunigte den Code um den Faktor 3.63 beziehungsweise 10.21 verglichen mit dem nicht parallelisierten Code. Beide NNs erreichten eine hohe Vorhersagegenauigkeit (R^2~=0. 99, RMSE~=175 für Exobase-Temperaturen und RMSE~=213 für Exobase-Höhen, die relativen Fehler lagen innerhalb akzeptabler Grenzen (+-10%)) und eine hohe Recheneffizienz (1e-3 Minuten sowohl für ein Modell als auch für 1000 Modelle) und reduzierten die Berechnungszeit, wenn sie in KOMPOT integriert wurden, um einen Faktor von 1.2 und 1.8 für Fälle mit niedriger beziehungsweise hoher Bestrahlung. Fazit: Diese Arbeit hat gezeigt, wie das Hochleistungsrechnen und die KI-Modellierung optimal genutzt werden können, und hat auch die Robustheit des zielgerichteten dualen NN-Ansatzes bei der Arbeit mit einem begrenzten Datensatz bestätigt, was erhebliche Auswirkungen auf die Astroinformatik und die exoplanetare Atmosphärenforschung hat. ML-Modelle können separat zur Vorhersage der thermischen Profile von erdähnlichen Planeten verwendet werden, die als atmosphärische Basis für nachfolgende Vorhersagen von chemischen Profilen dienen. Aufmerksamkeitsbasierte NN für Vorhersagen von Exobasiswerten können auch verwendet werden, um Muster zu erkennen, einschließlich Schwellenwerte für die Interaktion zwischen Prädiktoren und resultierenden Exobasiswerten. Beschleunigte und genaue KOMPOT-Simulationen werden in der Lage sein, die planetare Entwicklungsgeschichte der Exoplanetenprobe der zukünftigen Weltraummission PLATO im Jahr 2026 schneller zu rekonstruieren, was die Berechnung optimaler Orbitalabstände von Exoplaneten ermöglichen kann, die zum Beispiel flüssiges Oberflächenwasser enthalten könnten und — was auch wichtig ist — ausreichend in der Lage sind, ihre Atmosphären aufrechtzuerhalten, was bei der Auswahl von Zielen für Weltraummissionen wie Ariel im Jahr 2029 hilfreich sein kann. Weitere Experimente und Anpassungen mit vielfältigeren und größeren Datensätzen sind erforderlich, um uns der Identifizierung potenziell bewohnbarer Welten näher zu bringen.
Abstract
(Englisch)
Introduction: The study and simulation of the upper layers of exoplanetary atmospheres are crucial for understanding planetary evolution and assessing their habitability potential, which is becoming expandingly relevant with the rapidly increasing number of exoplanets being discovered. Recent studies based on JWST exoplanet samples show that some of the most important processes in determining the dynamics of upper atmospheres are photochemical reactions. In contrast to many traditional tools, the 1D first-principles code KOMPOT is self-consistent because it is not limited in its ability to incorporate such complex interactions. Along with dynamic atmospheric escape phenomenon calculations, this code covers about 500 chemical reactions, including photoreactions, which has an expected negative impact on its computational efficiency. The goal of this master's thesis was to optimize the KOMPOT code without losing the accuracy of its simulations. Methodology: In this thesis, high performance computing techniques were used, followed by the integration of AI modeling into the simulation process. (1) First, the code was optimized through code profiling (gprof), compiler optimizations, parallel computing (OpenMP), and the use of a fast scientific library (OpenBLAS) to replace manually programmed algorithms for solving linear equations. (2) Then, an innovative scalable and updatable approach was developed by using altitude-temperature atmospheric profiles predicted using dual cascade ensemble deep learning-based neural networks (NNs) as machine learning (ML) informed initial estimates for the KOMPOT code to find a whole physically consistent model with fewer iterations needed. A data set of 136 atmospheric models was generated using KOMPOT, covering almost all TRAPPIST-1 planets in terms of size, with initial standardizing values based on Earth-like parameters: the base of the atmosphere was 258.2 K, the corresponding number density value was 1.73077 10^-16 cm^-3, and the zenith angle at which the simulated segment lay was 66 degrees; the percentages of N2 and CO2 ranged from 1% to 99%. (2.1) The first Attention-based NN predicts the temperature and altitude of the Exobase, the conditional boundary where the probability that the atmospheric particles will fly away without further collisions becomes significant, bases on known initial values: planet mass, orbital distance, and CO2 mixing ratio. (2.2) The second Convolutional NN, using the Exobase values predicted by the first NN in addition to the same initial values, predicts complete temperature profiles starting at 50 km. Results: While maintaining the same computational accuracy, this approach accelerated the code by a factor of 4.3 for the low irradiation case (similar to Earth) and by a factor of 6.5 for the high irradiation case (similar to Mercury) compared to the baseline simulation on 4 threads; or by a factor of 12.1 and 18.3 compared to the baseline code on a 1 thread. Separately, the code optimization part made the code 3.63 times faster, or 10.21 times faster when compared to non-parallelized code. Both NNs achieved high prediction accuracy (R^2~=0.99, RMSE~=175 for Exobase Temperatures and RMSE~=213 for Exobase Altitudes, relative errors were within acceptable +-10%) and computational efficiency (1e-3 minutes for either 1 model or 1000 models) and reduced the computation time when integrated into KOMPOT by a factor of 1.2 and 1.8 for low and high irradiation cases, respectively. Conclusion: This thesis has shown how high performance computing and AI modeling can be optimally used, and has also confirmed the robustness of the targitized dual NN approach when working with a limited data set, which has significant implications for astroinformatics and exoplanetary atmospheric science. ML models can be used separately to predict the thermal profiles of Earth-like planets, which serve as an atmospheric baseline for subsequent predictions of chemical profiles. Attention-based NN for exobasic values predictions can also be used to identify patterns, including thresholds for the interaction between predictors and resultant exobase values. Accelerated and accurate KOMPOT simulations will be able to more rapidly reconstruct the planetary evolutionary history of the future space mission PLATO's exoplanet sample in 2026, allowing the calculation of optimal orbital distances of exoplanets that could contain, for example, liquid surface water and, importantly, be sufficiently capable of sustaining their atmospheres, which may help in the selection of targets for space missions such as Ariel in 2029. Further experiments and adjustments with more diverse and larger data sets are needed to bring us closer to being able to identify potentially habitable worlds.
Schlagwörter
Schlagwörter
(Deutsch)
planetare Atmosphären Exoplaneten atmosphärische Simulation atmosphärischer Verlust Ensemble-Lernen maschinelles Lernen duales neuronales Netz CNN aufmerksamkeitsbasiertes NN neuronale Netze Hochleistungsrechnen Codeoptimierung KI-Modellierung KOMPOT code Höhen-Temperatur-Profile thermische Profile Vorhersagen paralleles Rechnen Habitabilität TRAPPIST-1 terrestrische Planeten Datenanalyse
Schlagwörter
(Englisch)
planetary atmospheres exoplanets atmospheric simulation atmospheric loss ensemble learning machine learning deep learning dual neural network CNN attention-based NN neural networks cascade learning high performance computing code optimization AI modeling KOMPOT code altitude-temperature profiles predictions parallel computing TRAPPIST-1 terrestrial planets habitability data analysis
Autor*innen
Axinya Tokareva
Haupttitel (Englisch)
From code optimization to AI-driven modeling
Hauptuntertitel (Englisch)
improving the KOMPOT code for accelerated upper atmosphere simulations
Publikationsjahr
2024
Umfangsangabe
xix, 81 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Manuel Güdel
AC Nummer
AC17366852
Utheses ID
73291
Studienkennzahl
UA | 066 | 910 | |