У міру того, як моделювання на основі AI набирає обертів, використання моделей зменшеного порядку (РОМ), іноді їх називають сурогатними моделями, привертає набагато більше уваги. У інженерних робочих процесах їх потенціал до скорочення часу моделювання є прискіпливим фактором.
У найширшому розумінні цього слова будь -яка спрощена модель імітаційна модель – це РОМ або сурогат. Термін часто використовується для опису спрощення від машинного навчання та навчання штучного інтелекту, безумовно, підпадає під цю парасольку, але вони також охоплюють інші методи, такі як зменшення кількості сітки (перетворення моделі високої роздільної здатності в низьку роздільну здатність для збереження обчислень Час), зменшення 3D-задачі в 2D (зосереджуючись на поперечному перерізі моделі замість повної моделі) і навіть наближенням на задній конверт.
Гевін Джонс, головний інженер додатків, Smartuq, вказує: “Наприклад, спрощення фізики в дуже складній моделі обчислювальної динаміки рідини (CFD) дає вам ПЗУ. Метод, керований даними, також дає РОМ. Коли застосовується метод, керований даними, ПЗУ, як правило, називають сурогатною моделлю. Отже, всі сурогатні моделі – це ПЗУ, але всі ПЗУ не є сурогатними моделями ».
Розробка даних, керованих даними або сурогатні моделі, є спеціальністю SmartUQ. «Моделювання може включати необхідність вирішення великих систем диференціальних рівнянь, що займає багато обчислювального часу. Після того, як сурогатна модель проводиться, однак, прогнози зроблені швидко без необхідності вирішення таких систем рівнянь », – роз'яснює Джонс.
“[ROM building tools] Зараз вбудовані, тому це, безумовно, полегшує », – каже Меттью Хенкок, директор з інженерної консалтингової фірми« Дуже інженерія ». «Це частина програмного забезпечення, як Comsol Multiphysics та інші пакети моделювання. Більшість або всі великі програмні компанії намагаються це (Comsol, Ansys, Siemens, Cadence тощо), оскільки всі просять про це ».
Його колега Шон Теллер, директор з дуже інженерії, зазначає: «Бібліотеки нейронних мереж, які вам потрібні для розвитку ПЗУ, зараз доступніші. Люди, безумовно, говорять набагато більше про сурогатні моделі. Вони є частиною нашого власного сагайдування інструментів, якими ми використовуємо, але наше власне використання суттєво не збільшилося ».
Як ROMS прискорює моделювання?
Припустимо, у вас є серія архівних імітаційних пробіжок, які розкривають, як однакова конструкція клапана з різними кутами вигину створює різні тиски води. Підхід, орієнтований на дані, дозволяє визначити кореляцію між кутами вигину та вихідним тиском, що дозволяє обійти повну моделювання запуску для наступних конструкцій.
«Дані засновані на фізиці. Тож для початку вам потрібна низка фізичних симуляцій для тренувань,-каже Янн Равель, старший інженер CFD, ANSYS.
У січні 2024 року ANSYS запустив ANSYS SIMAI, генеративну платформу штучного інтелекту з підтримкою хмари. ANSYS писав: “Ansys Simai використовує форму самої конструкції як вхід, полегшуючи більш широке розвідку дизайну, навіть якщо структура форми не відповідає в навчальних даних. Додаток може підвищити прогнозування продуктивності моделі на всіх етапах проектування на 10 до 100 разів для важких обчислень ».
SIMAI прискорюється GPU. Щоб розробити ПЗУ в Simai, вас попросять завантажити граничні умови симуляційного запуску, а також поверхню (з фізичними полями) або обсягом (з фізичними полями). Прикордонні умови не є обов'язковими, уточнює Равеля. Він використовує формат Open-Source VisionTools Pro для введення.
Лікування фізики як чорношкірих
Більшість програм моделювання спеціалізуються на конкретних типах фізики: структурна механіка, електромагнітна, динаміка рідини тощо. Під час запуску моделювання програмне забезпечення використовує відомі принципи цієї фізики для обчислення переміщення, деформації, накопичення тиску, потоку повітря та інших результатів. Але підхід, керований даними, зовсім інший.
“[The AI] не намагається зрозуміти залучену фізику », – каже Джонс. “Це просто намагається подивитися на кореляції між входами та виходами”. Відповідальність покладається на користувача – експерт з домену людини – визнати межі набору даних про навчання та аномалії в прогнозах ПЗУ. Наприклад, бачити негативні значення, де негативні значення в реальності неможливі, або визнаючи, що новий виробничий матеріал, що використовується в конструкції, не є частиною набору даних про навчання. Такі знаки вказують на необхідність переоцінки надійності ПЗУ.
“Окрім інструментів для розробки сурогатних моделей, Smartuq має інструменти, які дозволяють кількісно оцінити невизначеність моделей”, – зазначає Джонс. SmartUQ працює на Windows та Linux, а в новому випуску, запланованому на грудень, компанія планує додати прискорення GPU, повідомляє Джонс.
“Перевага AI полягає в тому, що він може обробляти кілька параметрів”, – каже Равель. “Інженери людини повинні змінювати один параметр одночасно, щоб з'ясувати вплив цієї зміни, але ви можете кинути багато входів на ШІ, і це може з'ясувати кореляції”.
Немає магічного числа
Починаючи з користувачів моделювання на основі AI, часто стикаються з обсягом даних: Скільки моделювання достатньо для розробки надійного ПЗУ? Експерти, як правило, утримуються від уточнення числа, оскільки є занадто багато змінних, які слід враховувати.
Одне питання – це вартість симуляції сама. Наприклад, для налаштування та моделювання автомобільної катастрофи потрібно набагато більше часу та зусиль, ніж для імітації краплі мобільного телефону. Тому кількість симуляцій, виконаних для навчання AI, буде змінюватися від користувача до користувача, виходячи з цільової програми.
“Скільки часу знадобиться моделювання, щоб хтось налаштував або скільки часу потребує моделювання, впливає на те, скільки даних про навчання людина готова зібрати”, – пояснює Джонс. “Якщо хтось збирає менше даних просто тому, що збирання даних занадто забирає багато часу, компроміс буде сурогатною моделлю нижчої точності”.
Теллер зазначає, що для одночасно виконання декількох моделювання для збору даних на додаток до обладнання вам потрібні ліцензії на програмне забезпечення, і це може додати значні витрати для одночасних моделювання. “
Хенкок додає: “Вам потрібно думати поза коробкою – поза межами поточного набору даних. Якщо ви збираєтеся використовувати 10 000 моделювання, використовуйте ті, які не схожі на один одного, тих, хто не має подібних граничних умов, для розширення простору дизайну ».
Для Ravel невеликий обсяг даних не обов'язково є проблемою; Що важливіше – це послідовність даних. “Якщо у вас є лише 20 імітаційних пробіжок, то почніть тренування з цим. Ви знаєте, що це не буде найкращим, але це процес навчання. Ви також можете використовувати модель AI, щоб побачити, чи потрібно більше конкретного типу даних, щоб зробити їх більш точним ». Однак, якщо обмежений обсяг даних викликає вашу турботу, Равель каже, що “Simai має інструменти, які можуть допомогти вам автоматично насеити поля даних”.
Лінійний або нелінійний
Для когось, хто починає з нуля, є щось інше, що слід врахувати. “Оскільки ви змінюєте входи, якщо ви бачите, що виходи також змінюються лінійно, то для вивчення кореляцій потрібно набагато менше моделювання. Тож вам не потрібно багато моделювання для підготовки ШІ. З іншого боку, якщо відносини не лінійні, вам знадобиться набагато більше моделювання. Але ви цього не будете знати, поки не почнете запускати симуляції », – каже Джонс.
Якщо натиснути, Джонс каже, що запропонував би прості керівництво. «Ми говоримо, що розумна вихідна точка – 10 зразків на вхідний розмір. Тож якщо у вас є шість змінних, то я б сказав, почніть з 60 імітаційних пробіжок. Але перед тим, як зробити цю рекомендацію, мені потрібно буде краще зрозуміти вашу проблему моделювання, і наскільки важко чи легко для збору даних ».
“Ваші джерело моделювання може мати температуру, швидкість, тиск тощо, але ви не хочете перевантажувати навчальну модель з усіма даними, якщо вам цього не потрібно”, – говорить Равель. “Якщо вас цікавить лише сили, які створюють тиск, то націліться на них. Ви можете розробити один ПЗУ для прогнозування швидкості, один для тиску, але вам не потрібно мати той, який все прогнозує ».
Насправді, для багатьох простих лінійних проблем, можливо, вам не потрібно буде турбуватися з навчанням та розробкою сурогатної моделі. Ветеран галузі або експерт з домену, можливо, зможуть дати вам формулу, яка спрацьовує спинку, яка працює так само добре.
“Якщо ви не отримуєте достатнього потоку в трубі, подвоїте внутрішній діаметр”, – говорить Хенкок. «Це зменшить опір потоку шістнадцять разів. Якщо у вас є широкий канал, подвоєння висоти каналу зменшує восьмикратний опір потоку. Ми експерти з тематики; Це знання домену з хлібом і маслом про механіку рідини, тому ми знаємо ці речі. Люди, які мають досвід у різних сферах, можуть цього не знати. Але я думаю, що разом краще. Поєднання добре розвиненого інструменту моделювання сурогатного моделювання з досвідом домену отримує вас набагато далі ».
ПЗУ повинні постійно розвиватися, включати нові відкриття та не відставати від аналізу кінцевих елементів та фізики CFD, на якій вони навчаються. «Час від часу програмне забезпечення FEA або CFD може покращитися, оскільки фізика стає кращою. Тоді ви, можливо, захочете перекваліфікувати свою модель AI », – зазначає Джонс.
Подвійна перевірка ПЗУ
Ravel має 16 років досвіду CFD у F1 Motorsport, працюючи з такими брендами, як Ferrari та Renault. У рамках команди з досконалості клієнтів ANSYS Ravel також використовує SIMAI для розробки доказів концепцій для обміну з клієнтами.
“Якщо у вашій базі даних у вас є 30 пробіжок моделювання, Simai виділив би 10% – випадковим чином вибираючи три моделювання – і використовує лише 27 для навчання”, – пояснює Равель. “Пізніше він би використовував тих трьох, які знаходяться поза даними про навчання, щоб оскаржити або перевірити точність ШІ”.
Оскільки три моделювання не були частиною навчання, вони не могли вплинути на поведінку прогнозів РОМ. Пізніше Ravel використає ПЗУ, щоб побачити, чи може він дати ті самі результати, що спостерігаються в трьох моделюваннях, відкладених раніше. Якщо це так, то є вагомі підстави вважати, що ПЗУ є надійним.
“Моделювання на основі фізики імітує те, що відбувається в реальності”,-говорить Равель. «ПЗУ не може бути точнішим, ніж моделювання на основі фізики, яке ви використовуєте для його навчання. Ми можемо зробити менше фізичного моделювання, якщо у нас є ПЗУ, але це не збирається замінювати моделювання на основі фізики ».
“Будь це сурогатна модель, ПЗУ чи повна модель фізики, всі вони включають набір припущень”, – каже Хенкок. «Отже, в певному сенсі всі моделі неправильні, але деякі дуже корисні. Ви завжди повинні перевірити модель чимось реальним. Переконайтесь, що модель точно прогнозує, що робить продукт ».
Якщо використання ром або сурогатних моделей стає широко поширеним, роль експерта з домену людини стає набагато важливішою, не меншою. “Переконайтеся, що ви розумієте фізику за моделлю”, – каже Хенкок.