Komplexe Konstruktionsaufgaben in der Technik bestehen oft darin, eine große Anzahl von Variablen und begrenzte Testmöglichkeiten zu bewältigen. Es steht viel auf dem Spiel, besonders wenn es um die Feinabstimmung eines Stromnetzes oder die Entwicklung sicherer Fahrzeuge geht. Jede Bewertung kann kostspielig sein, und die Bandbreite der möglichen Variablen ist überwältigend. Denken Sie nur an die Sicherheit von Autos - hier spielen Tausende von Elementen eine Rolle, und die kleinste Entscheidung kann das Verhalten eines Fahrzeugs bei einer Kollision dramatisch verändern. Leider scheitern herkömmliche Optimierungswerkzeuge oft an dieser Komplexität.
An dieser Stelle kommt ein Forscherteam des MIT ins Spiel. Sie haben einen neuen Ansatz entwickelt, der die Art und Weise, wie wir Bayes'sche Optimierung zur Lösung von Problemen mit Hunderten von Variablen einsetzen, neu gestaltet. In Tests mit technischen Benchmarks, einschließlich der Optimierung von Stromversorgungssystemen, fanden sie mit ihrer Methode 10 bis 100 Mal schnellere Spitzenlösungen als mit herkömmlichen Verfahren.
Was ist also das Geheimnis? Es geht um ein Basismodell, das auf Tabellendaten trainiert wurde. Dieses Modell identifiziert selbstständig die wichtigsten Variablen zur Verbesserung der Leistung und verfeinert die Lösung iterativ. Da sie auf einem breiten Spektrum von Daten trainiert werden, haben die Basismodelle die beeindruckende Fähigkeit, sich an verschiedene Anwendungen anzupassen.
Das Entscheidende an ihrem Tabellenmodell ist, dass es nicht ständig neu trainiert werden muss, was die Effizienz des Prozesses erheblich steigert. Bei komplizierteren Problemen ist diese Methode sogar noch schneller, was sie in Bereichen wie der Materialentwicklung und der Arzneimittelentdeckung von unschätzbarem Wert macht. Der Hauptautor des Projekts, Rosen Yu, ein Doktorand der Computerwissenschaften und des Ingenieurwesens, erklärt: “Moderne KI- und maschinelle Lernmodelle können die Art und Weise verändern, wie Ingenieure und Wissenschaftler komplexe Systeme entwickeln. Wir haben einen Algorithmus entwickelt, der nicht nur hochdimensionale Probleme löst, sondern auch wiederverwendbar ist, so dass man nicht immer wieder bei Null anfangen muss”.[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.
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, z. B. das beste Modell für die tabellarische Grundlage für diese Aufgabe finden. Außerdem mussten sie herausfinden, wie sie es mit einem Bayes'schen Optimierungsalgorithmus verbinden konnten, um wichtige Konstruktionsmerkmale zu ermitteln. Nachdem sie den Rahmen geschaffen hatten, übertraf ihre Methode durchweg fünf aktuelle, dem Stand der Technik entsprechende Optimierungsalgorithmen 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.
Aber keine Sorge, das MIT-Team ruht sich nicht auf seinen Lorbeeren aus. Sie wollen ihre tabellarischen Fundamentmodelle noch weiter verbessern und ihre Methode auf noch komplexere Probleme anwenden, z. B. auf die Konstruktion von Marineschiffen. Wie Ahmed, ein weiteres Mitglied des Teams, es ausdrückt: “Auf einer höheren Ebene deutet diese Arbeit auf einen breiteren Wandel hin: die Verwendung von Basismodellen nicht nur für die Wahrnehmung oder die Sprache, sondern als algorithmische Motoren in wissenschaftlichen und technischen Werkzeugen, die es klassischen Methoden wie der Bayes'schen Optimierung ermöglichen, auf Bereiche zu skalieren, die zuvor unpraktisch waren.”
Ein nicht an der Forschung beteiligter Wissenschaftler, Professor Wei Chen, lobt den Ansatz des MIT als “kreative und vielversprechende Möglichkeit, den hohen Datenbedarf simulationsgestützter Konstruktionen zu reduzieren. Insgesamt ist diese Arbeit ein wichtiger Schritt, um fortschrittliche Design-Optimierung zugänglicher und einfacher in der Praxis anwendbar zu machen”.”
Wenn dies Ihren Durst nach KI und Technik immer noch nicht gestillt hat, können Sie mehr zu diesem Thema direkt an der Quelle lesen, auf der MIT-Nachrichten Website. In der Welt der Technik stehen aufregende Zeiten bevor, und wir sind hier, um Sie auf dem Laufenden zu halten!
Diese Website verwendet Cookies.