Złożone wyzwania projektowe w inżynierii często sprowadzają się do poruszania się po dużej liczbie zmiennych i ograniczonych możliwościach testowania. Stawka jest wysoka, zwłaszcza gdy mówimy o dopracowaniu sieci energetycznej lub opracowaniu bezpieczniejszych pojazdów. Każda ocena może być kosztowna, a zakres potencjalnych zmiennych oszałamiający. Wystarczy pomyśleć o projektowaniu bezpieczeństwa samochodów - w grę wchodzą tysiące elementów, a najdrobniejsza decyzja może radykalnie zmienić zachowanie pojazdu podczas kolizji. Niestety, tradycyjne narzędzia optymalizacyjne często zawodzą pod ciężarem tej złożoności.
W tym miejscu do akcji wkracza zespół naukowców z MIT. Opracowali oni nowe podejście, które zmienia sposób, w jaki wykorzystujemy optymalizację bayesowską do rozwiązywania problemów z setkami zmiennych. W testach na benchmarkach inżynieryjnych, w tym optymalizacji systemów zasilania, ich metoda znalazła najlepsze rozwiązania od 10 do 100 razy szybciej niż tradycyjne techniki.
Na czym więc polega sekret? Wszystko opiera się na podstawowym modelu szkolonym na danych tabelarycznych. Model ten autonomicznie identyfikuje zmienne mające największy wpływ na poprawę wydajności i iteracyjnie udoskonala rozwiązanie. Dzięki szkoleniu na szerokim zakresie danych, modele fundamentalne mają imponującą zdolność dostosowywania się do różnych aplikacji.
Istotą ich tabelarycznego modelu fundamentalnego jest to, że nie wymaga on ciągłego przekwalifikowania, co znacznie zwiększa wydajność procesu. W przypadku bardziej skomplikowanych problemów, metoda ta zapewnia jeszcze większą szybkość, co czyni ją nieocenioną w sektorach takich jak rozwój materiałów i odkrywanie leków. Cytując głównego autora projektu, Rosena Yu, absolwenta nauk obliczeniowych i inżynierii, “Nowoczesna sztuczna inteligencja i modele uczenia maszynowego mogą zmienić sposób, w jaki inżynierowie i naukowcy tworzą złożone systemy. Stworzyliśmy jeden algorytm, który nie tylko rozwiązuje problemy wielowymiarowe, ale jest również wielokrotnego użytku, pomijając potrzebę 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.
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 tabelarycznego modelu fundamentów dla tego zadania. Musieli również opracować sposób połączenia go z algorytmem optymalizacji bayesowskiej w celu zidentyfikowania kluczowych cech projektu. Po opracowaniu ram, ich metoda konsekwentnie przewyższała pięć obecnych najnowocześniejszych algorytmów optymalizacyjnych, znajdując najlepsze rozwiązania od 10 do 100 razy szybciej. Nie udało jej się jednak prześcignąć wszystkich benchmarków, prawdopodobnie z powodu luk w danych treningowych modelu.
Bez obaw, zespół MIT nie spoczywa na laurach. Chcą jeszcze bardziej ulepszyć swoje tabelaryczne modele fundamentów i zastosować swoją metodę do jeszcze bardziej złożonych zagadnień, takich jak projektowanie statków morskich. Jak ujął to Ahmed, inny członek zespołu: “Na wyższym poziomie praca ta wskazuje na szerszą zmianę: wykorzystanie modeli fundamentalnych nie tylko do percepcji lub języka, ale jako silników algorytmicznych w narzędziach naukowych i inżynieryjnych, umożliwiając klasycznym metodom, takim jak optymalizacja bayesowska, skalowanie do reżimów, które wcześniej były niepraktyczne”.”
Jeden z naukowców niezaangażowanych w badania, profesor Wei Chen, chwali podejście MIT jako “kreatywny i obiecujący sposób na zmniejszenie dużych wymagań dotyczących danych w projektowaniu opartym na symulacji”. Ogólnie rzecz biorąc, ta praca jest potężnym krokiem w kierunku uczynienia zaawansowanej optymalizacji projektu bardziej dostępną i łatwiejszą do zastosowania w rzeczywistych warunkach".”
Jeśli to wciąż nie ugasiło twojego pragnienia wszystkiego, co związane ze sztuczną inteligencją i inżynierią, możesz przeczytać więcej na ten temat prosto ze źródła na stronie MIT News strona internetowa. Nadchodzą ekscytujące czasy w świecie inżynierii, a my jesteśmy tutaj, aby informować Cię na bieżąco!
Ta strona używa plików cookie.