Revolutionierung technischer Herausforderungen mit KI: Ein neuer Ansatz zur Optimierung

Komplexe konstruktive Herausforderungen im Ingenieurwesen laufen oft darauf hinaus, sich in einer Vielzahl von Variablen und begrenzten Testmöglichkeiten zurechtzufinden. Es steht viel auf dem Spiel, insbesondere wenn es um die Feinabstimmung eines Stromnetzes oder die Entwicklung sichererer Fahrzeuge geht. Jede Bewertung kann kostspielig sein, und die Bandbreite potenzieller Variablen ist schier unüberschaubar. Man denke nur an die Sicherheitskonstruktion von Autos – Tausende von Elementen spielen eine Rolle, und schon die kleinste Entscheidung kann das Verhalten eines Fahrzeugs bei einem Aufprall dramatisch verändern. Leider scheitern herkömmliche Optimierungswerkzeuge oft an dieser Komplexität.

Der Gamechanger: Der neue Ansatz des MIT

Hier kommt ein Forscherteam vom MIT ins Spiel. Es hat einen neuen Ansatz entwickelt, der die Art und Weise revolutioniert, wie wir die Bayes’sche Optimierung zur Lösung von Problemen mit Hunderten von Variablen einsetzen. In Tests mit technischen Benchmark-Aufgaben, darunter die Optimierung von Stromversorgungssystemen, fand ihre Methode 10- bis 100-mal schneller optimale Lösungen als herkömmliche Verfahren.

Was ist also das Geheimnis? Es dreht sich alles um ein Basis-Modell, das anhand tabellarischer Daten trainiert wurde. Dieses Modell ermittelt selbstständig die Variablen mit dem größten Einfluss, um die Leistung zu verbessern, und verfeinert die Lösung schrittweise. Da Basis-Modelle anhand einer breiten Datenpalette trainiert wurden, verfügen sie über die beeindruckende Fähigkeit, sich an verschiedene Anwendungen anzupassen.

Effizienzsteigerung

Der Kern ihres tabellarischen Grundmodells besteht darin, dass es kein ständiges Umtrainieren erfordert, was die Effizienz des Prozesses erheblich steigert. Bei komplexeren Problemen sorgt diese Methode für noch höhere Geschwindigkeit, was sie in Bereichen wie der Materialentwicklung und der Arzneimittelforschung von unschätzbarem Wert macht. Um den federführenden Autor des Projekts, Rosen Yu, einen Doktoranden im Bereich Computerwissenschaft und Ingenieurwesen, zu zitieren: “Moderne KI- und Machine-Learning-Modelle können die Art und Weise verändern, wie Ingenieure und Wissenschaftler komplexe Systeme entwickeln. Wir haben einen Algorithmus konzipiert, der nicht nur hochdimensionale Probleme löst, sondern auch wiederverwendbar ist, wodurch die Notwendigkeit entfällt, jedes Mal von vorne anzufangen.”.[Quelle]

Wenn es um vielschichtige Probleme und umfangreiche Bewertungsmethoden geht, verwenden Wissenschaftler in der Regel die Bayes'sche Optimierung. Bei dieser Methode wird iterativ die beste Lösung gefunden, indem ein Ersatzmodell erstellt wird, das die Suche leitet. Allerdings ist es schwierig, dieses Modell nach jeder Iteration neu zu trainieren, vor allem, wenn es sich um einen großen Lösungsraum handelt. Das Team ging diese Herausforderung an, indem es ein generatives KI-System, ein tabellarisches Basismodell, als Ersatzmodell innerhalb des Bayes'schen Optimierungsalgorithmus einsetzte.

Ein neues Zeitalter der Optimierung

Yu vergleicht die Verwendung eines tabellarischen Basismodells mit einem ChatGPT für Tabellenkalkulationen, da seine Eingabe und Ausgabe aus tabellarischen Daten besteht, die im technischen Bereich häufiger vorkommen und verwendet werden als Sprache. Wie große Sprachmodelle wie ChatGPT, Claude und Gemini wurde es mit großen Mengen von Tabellendaten trainiert und kann daher verschiedene Vorhersageprobleme bewältigen. Einer seiner größten Vorteile ist, dass es ohne erneutes Training verwendet werden kann.

Die Forscher haben das tabellarische Gründungsmodell so verfeinert, dass es sich auf die Merkmale des Bemessungsraums konzentriert, die den größten Einfluss auf die Lösung haben. Dies führt zu größerer Präzision und Effizienz, da das Modell die wichtigsten Merkmale auswählen kann, auf die es sich konzentrieren soll. Ein Auto kann zum Beispiel 300 Designkriterien haben, aber nicht alle davon führen zum besten Design. Der Algorithmus kommt schnell zum Kern der einflussreichsten Merkmale und spart so Zeit für weniger einflussreiche Merkmale.

Das Team musste einige Hürden überwinden, beispielsweise die Suche nach dem besten tabellarischen Grundmodell für diese Aufgabe. Außerdem musste es herausfinden, wie sich dieses mit einem bayesschen Optimierungsalgorithmus verknüpfen lässt, um wichtige Konstruktionsmerkmale zu identifizieren. Nachdem sie das Rahmenwerk etabliert hatten, schnitt ihre Methode durchweg besser ab als fünf aktuelle Optimierungsalgorithmen auf dem neuesten Stand der Technik und fand die besten Lösungen 10- bis 100-mal schneller. Allerdings übertraf sie nicht alle Benchmarks, was möglicherweise auf Lücken in den Trainingsdaten des Modells zurückzuführen ist.

Keine Sorge, das MIT-Team ruht sich nicht auf seinen Lorbeeren aus. Es möchte seine tabellarischen Grundmodelle noch weiter verbessern und seine Methode auf noch komplexere Themen anwenden, wie beispielsweise den Entwurf von Kriegsschiffen. Ahmed, ein weiteres Mitglied des Teams, drückt es so aus: “Auf einer übergeordneten Ebene deutet diese Arbeit auf einen umfassenderen Wandel hin: Die Verwendung von Basismodellen nicht nur für Wahrnehmung oder Sprache, sondern als algorithmische Motoren in wissenschaftlichen und technischen Werkzeugen, wodurch klassische Methoden wie die Bayes’sche Optimierung auf Bereiche skaliert werden können, die zuvor nicht praktikabel waren.”

Ein Wissenschaftler, der nicht an der Forschung beteiligt war, Professor Wei Chen, lobt den Ansatz des MIT als “kreativen und vielversprechenden Weg, um den hohen Datenbedarf des simulationsbasierten Entwurfs zu reduzieren. Insgesamt ist diese Arbeit ein wichtiger Schritt dahin, fortschrittliche Entwurfsoptimierung zugänglicher und in der Praxis leichter anwendbar zu machen.”

Falls Ihr Interesse an allem, was mit KI und Technik zu tun hat, dadurch noch nicht gestillt wurde, können Sie direkt bei der Quelle unter MIT-Nachrichten Website. In der Welt der Technik stehen spannende Zeiten bevor, und wir halten Sie auf dem Laufenden!