Rewolucja w wyzwaniach inżynieryjnych dzięki sztucznej inteligencji: nowe podejście do optymalizacji

Złożone wyzwania projektowe w inżynierii często sprowadzają się do radzenia sobie z ogromną liczbą zmiennych i ograniczonymi możliwościami testowania. Stawka jest wysoka, zwłaszcza gdy mowa o dopracowywaniu sieci energetycznej lub opracowywaniu bezpieczniejszych pojazdów. Każda ocena może być kosztowna, a zakres potencjalnych zmiennych – oszałamiający. Wystarczy pomyśleć o projektowaniu bezpieczeństwa samochodów – w grę wchodzą tysiące elementów, a najmniejsza decyzja może radykalnie zmienić zachowanie pojazdu podczas zderzenia. Niestety, tradycyjne narzędzia optymalizacyjne często nie radzą sobie z tą złożonością.

Przełomowe rozwiązanie: nowe podejście MIT

W tym miejscu do akcji wkracza zespół naukowców z MIT. Opracowali oni nowatorskie podejście, które zmienia sposób, w jaki wykorzystujemy optymalizację bayesowską do rozwiązywania problemów obejmujących setki zmiennych. W testach przeprowadzonych na inżynierskich zestawach testowych, w tym w zakresie optymalizacji systemów energetycznych, ich metoda pozwoliła znaleźć najlepsze rozwiązania od 10 do 100 razy szybciej niż tradycyjne techniki.

Więc na czym polega sekret? Kluczem jest model bazowy wytrenowany na danych tabelarycznych. Model ten samodzielnie identyfikuje zmienne o największym wpływie na poprawę wyników i iteracyjnie udoskonala rozwiązanie. Dzięki wytrenowaniu na szerokim zakresie danych modele bazowe charakteryzują się imponującą zdolnością dostosowywania się do różnych zastosowań.

Zwiększenie wydajności

Istotą ich modelu opartego na tabelach jest to, że nie wymaga on ciągłego ponownego szkolenia, co znacznie zwiększa wydajność procesu. W przypadku bardziej złożonych problemów metoda ta zapewnia jeszcze większą szybkość, co czyni ją nieocenioną w takich sektorach, jak opracowywanie materiałów i odkrywanie leków. Jak stwierdził główny autor projektu, Rosen Yu, doktorant w dziedzinie nauk obliczeniowych i inżynierii: “Nowoczesne modele sztucznej inteligencji i uczenia maszynowego mogą zmienić sposób, w jaki inżynierowie i naukowcy tworzą złożone systemy. Opracowaliśmy algorytm, który nie tylko rozwiązuje problemy wielowymiarowe, ale także nadaje się do ponownego wykorzystania, eliminując konieczność rozpoczynania wszystkiego od zera”.[źródło]

Nie zapominając o tym, że mając do czynienia z wieloaspektowymi problemami i wymagającymi metodami oceny, naukowcy zazwyczaj korzystają z optymalizacji bayesowskiej. Metoda ta iteracyjnie znajduje najlepszą konfigurację, budując model zastępczy, który kieruje wyszukiwaniem. Jednak przekwalifikowanie tego modelu po każdej iteracji staje się trudne, zwłaszcza gdy w grę wchodzi duża przestrzeń rozwiązań. Zespół poradził sobie z tym wyzwaniem, mając generatywny system sztucznej inteligencji, tabelaryczny model fundamentalny, działający jako model zastępczy w algorytmie optymalizacji bayesowskiej.

Nowa era w optymalizacji

Wykorzystanie tabelarycznego modelu fundamentów jest porównywane przez Yu do ChatGPT dla arkuszy kalkulacyjnych, ponieważ jego danymi wejściowymi i wyjściowymi są dane tabelaryczne, które są częściej spotykane i używane niż język w sektorze inżynieryjnym. Podobnie jak duże modele językowe, takie jak ChatGPT, Claude i Gemini, został on wstępnie wytrenowany na znacznych ilościach danych tabelarycznych, co czyni go wykwalifikowanym w radzeniu sobie z różnymi problemami związanymi z przewidywaniem. Jedną z jego kluczowych zalet jest to, że może być używany bez ponownego szkolenia.

Naukowcy udoskonalili tabelaryczny model fundamentu, aby skupić się na cechach przestrzeni projektowej, które mają największy wpływ na rozwiązanie. Skutkuje to większą precyzją i wydajnością, pozwalając modelowi wybrać najbardziej krytyczne cechy, na których należy się skoncentrować. Na przykład, samochód może mieć 300 kryteriów projektowych, ale nie wszystkie z nich prowadzą do najlepszego projektu. Algorytm szybko dociera do sedna najbardziej wpływowych cech, oszczędzając w ten sposób czas na te mniej istotne.

Zespół musiał pokonać kilka przeszkód, takich jak znalezienie najlepszego modelu podstawowego typu tabelarycznego do tego zadania. Musiał również opracować sposób połączenia go z algorytmem optymalizacji bayesowskiej w celu zidentyfikowania kluczowych cech projektowych. Po stworzeniu struktury ich metoda konsekwentnie przewyższała wyniki pięciu najnowocześniejszych algorytmów optymalizacji, znajdując najlepsze rozwiązania od 10 do 100 razy szybciej. Nie udało jej się jednak osiągnąć lepszych wyników we wszystkich testach porównawczych, prawdopodobnie z powodu luk w danych szkoleniowych modelu.

Nie martwcie się, zespół z MIT nie spoczywa na laurach. Zamierzają jeszcze bardziej udoskonalić swoje tabelaryczne modele podstawowe i zastosować swoją metodę do jeszcze bardziej złożonych zagadnień, takich jak projektowanie okrętów wojennych. Jak ujął to Ahmed, kolejny członek zespołu: “W szerszej perspektywie praca ta wskazuje na głębszą zmianę: wykorzystanie modeli bazowych nie tylko do percepcji czy języka, ale jako silników algorytmicznych w narzędziach naukowych i inżynieryjnych, co pozwala klasycznym metodom, takim jak optymalizacja bayesowska, skalować się do obszarów, które wcześniej były niepraktyczne”.”

Profesor Wei Chen, naukowiec niezwiązany z tymi badaniami, chwali podejście MIT jako “kreatywny i obiecujący sposób na zmniejszenie ogromnych wymagań dotyczących danych w projektowaniu opartym na symulacjach. Ogólnie rzecz biorąc, praca ta stanowi znaczący krok w kierunku uczynienia zaawansowanej optymalizacji projektowej bardziej dostępną i łatwiejszą do zastosowania w rzeczywistych warunkach”.”

Jeśli to wciąż nie zaspokoiło Twojej ciekawości dotyczącej sztucznej inteligencji i inżynierii, możesz przeczytać więcej na ten temat bezpośrednio u źródła na stronie MIT News strona internetowa. Przed światem inżynierii stoją ekscytujące czasy, a my jesteśmy po to, by na bieżąco informować Państwa o nowościach!