Artificial Intelligence (AI) and Machine Learning (ML), two cutting-edge technologies, are revolutionizing the field of mechanical engineering. Long gone are the days when this discipline was solely about hammers, robots, and cars. Instead, according to Faez Ahmed, an associate professor of mechanical engineering at MIT, it’s a broad and expansive domain, now heavily leveraging AI to refine designs, speed up simulations, and bolster efficiency. Believe it or not, AI is even enhancing maintenance predictability and improving quality control in mechanical engineering systems.
Próbując rozpakować potencjał sztucznej inteligencji i uczenia maszynowego w inżynierii mechanicznej, Ahmed prowadzi ekscytujący kurs na MIT zatytułowany 2.155/156 (Sztuczna inteligencja i uczenie maszynowe w projektowaniu inżynieryjnym). Kurs pomaga studentom w dogłębnym zbadaniu, w jaki sposób sztuczna inteligencja może być wykorzystywana w projektowaniu inżynierii mechanicznej, stymulując ich do stosowania narzędzi ML do rzeczywistych wyzwań i tworzenia innowacyjnych rozwiązań.
A driving force behind the course, Lyle Regenwetter, a PhD candidate, emphasizes the essentiality of AI in expediting the design process. His lab, the Design Computation and Digital Engineering Lab (DeCoDE), probes new avenues for employing ML and optimization methods to understand and solve complex engineering issues. Introduced in 2021, the course has fast gained popularity, attracting students from diverse disciplines such as nuclear science, computer science, and even business management. You’d be surprised to learn that students from Harvard and other esteemed institutions also enroll in this course.
The course doesn’t only dwell in the theoretical realm of AI. There’s plenty of hands-on learning, with students pulling up their sleeves to tackle real-world design problems, such as creating bike frames or shaping urban infrastructure. Learning becomes gripping as students compete to refine their solution-finding approaches, thanks to the live leaderboards fostering a competitive spirit.
The course’s impactful practical approach to learning is evident in student Em Lauber’s experience. Lauber, a System Design and Management grad, found the course to be a perfect platform to put theoretical knowledge to real-world use. Even research discussions and hand-on exercises are tied to specific engineering domains like robotics and aircraft, making learning comprehensive and applicable.
Zastosowanie wiedzy kończy się końcowymi projektami, w których studenci pracują w zespołach, aby wykorzystać techniki sztucznej inteligencji do odpowiedzi na wybrane przez siebie skomplikowane wyzwania projektowe. Ahmed uważa, że różnorodność, kreatywność i jakość tych projektów jest wspaniała. Świadectwem ich doskonałości jest fakt, że wiele z tych projektów zostało rozwiniętych w opublikowane badania. Na przykład projekt zatytułowany "GenCAD-Self-Repairing" otrzymał nagrodę za najlepszy referat roku 2025 od Amerykańskiego Stowarzyszenia Inżynierów Mechaników.
The impact of the projects extends beyond academia. Take, for example, Malia Smith, who successfully used motion capture data to predict ground force for runners. Or, Em Lauber, who engineered a customizable “cat tree” structure for different feline households, whereas Ilan Moyer developed software for a new kind of 3D printer.
The course doesn’t merely aim at narrowing the gap between theory and practice, but it also seeks to demystify AI for engineers. Illustrating this point, Moyer, a graduate student explains, “When you see machine learning in popular culture, it’s very abstracted”, but this course has made it less of an enigma and more of a practical tool. By marrying abstract algorithmic concepts and tangible engineering applications, the course inspires future generation innovators to step into the era of intelligent design.
Więcej informacji na temat tego atrakcyjnego kursu można znaleźć na stronie artykuł oryginalny.
This website uses cookies.