Rewolucja w inżynierii: nowa rola sztucznej inteligencji w rozwiązywaniu złożonych równań szybciej niż superkomputery

Superkomputery są znane ze swojej wysokiej wydajności, która pozwala im rozwiązywać złożone problemy obliczeniowe. Te najszybsze komputery na świecie mogą przetwarzać ogromne zbiory danych i wykonywać złożone obliczenia z dużą prędkością, będąc w stanie rozwiązać nawet jeden kwintylion obliczeń na sekundę.

Co ciekawe, dopiero w tym tygodniu gigant technologiczny Google odsłonięty swój układ nowej generacji o nazwie „Willow”, który działa w oparciu o nadprzewodzące kubity i jest w stanie rozwiązać złożone zadanie matematyczne w zaledwie pięć minut, jednocześnie wykładniczo redukując liczbę błędów. 

Pomimo imponujących osiągów, układ kwantowy jest nigdzie blisko złamania nowoczesna kryptografia.

Pośród tego wszystkiego pojawia się nowa sztuczna inteligencja (AI) z możliwością rozwiązywania złożonych problemów inżynieryjnych nawet szybciej niż superkomputery. Nowe rozwiązanie technologiczne pochodzi od badaczy z Johns Hopkins, którzy mogą być przełomowymi graczami w dziedzinie inżynierii.

Nowa era sztucznej inteligencji 

Po latach bycia gorącym tematem, AI w końcu zaczęła być sensownie wykorzystywana w kluczowych branżach. Jej ogromny potencjał zwiększania wydajności i produktywności ma swoje miejsce na rynku w tym roku wzrośnie do ponad 184 miliardów dolarów oraz is Przewiduje do zwiększyć przychody o ponad 15 bilionów dolarów do końca tej dekady. 

Z najnowszego raportu wynika, że ​​68% organizacji aktywnie wykorzystuje sztuczną inteligencję generacji lub opracowało plany działania po udanych wdrożeniach pilotażowych. 

W miarę jak sztuczna inteligencja nadal przekształcać różne branże, zwłaszcza w krajobrazie inżynieryjnym, ludzie stają teraz przed wyzwaniem stania się przestarzałymi. Szacunki sugerują, że w ciągu następnej dekady do 40% zadań inżynieryjnych może zostać zautomatyzowanych.

Aby zrozumieć wpływ sztucznej inteligencji na świat, musimy najpierw zrozumieć, że sztuczna inteligencja to po prostu technologia, która pozwala maszynom i komputerom symulować ludzkie myślenie, uczenie się, rozumienie, rozwiązywanie problemów, podejmowanie decyzji i kreatywność. 

Pod pojęciem sztucznej inteligencji kryje się uczenie maszynowe, które polega na trenowaniu algorytmu w celu tworzenia modeli wykorzystujących dane do podejmowania decyzji i przewidywań. 

Istnieją różne rodzaje algorytmów lub technik uczenia maszynowego, przy czym sztuczne sieci neuronowe są jednymi z najpopularniejszych. Sieci te są modelowane na podstawie struktury i funkcji ludzkiego mózgu. 

Głębokie uczenie, podzbiór uczenia maszynowego, wykorzystuje wielowarstwowe sieci neuronowe, które są jeszcze skuteczniejsze w symulowaniu złożonej mocy podejmowania decyzji przez ludzki mózg. Te sieci uczą się z danych i są wykorzystywane do rozwiązywania różnych problemów, od rozpoznawania obrazów i mowy po przetwarzanie języka naturalnego. 

Głębokie uczenie całkowicie zmienia sposób, w jaki maszyny wchodzą w interakcje ze złożonymi danymi, zapewniając im wydajność przewyższającą poziom ludzki i wysoką dokładność.

Wykorzystanie sztucznej inteligencji do rozwiązywania złożonych problemów 

Sztuczna inteligencja oferuje liczne korzyści, takie jak automatyzacja powtarzalnych zadań, mniej błędów ludzkich, całodobowa dostępność i lepsze podejmowanie decyzji, co sprawiło, że znalazła zastosowanie w różnego rodzaju przedsiębiorstwach i branżach.

Zdolność tej technologii do efektywnej analizy ogromnych ilości danych, identyfikowania wzorców, które mogły zostać przeoczone przez ludzi, i wreszcie wykonywania szybkich obliczeń sprawia, że ​​sztuczna inteligencja jest świetne narzędzie do rozwiązywania złożonych problemów. W przypadku dużych zbiorów danych i skomplikowanych scenariuszy podejmowania decyzji, które byłyby czasochłonne lub niemożliwe do rozwiązania przez ludzi w pojedynkę, sztuczna inteligencja może być niezwykle pomocna.

Stąd rosnący nacisk na wykorzystanie AI do rozwiązywania skomplikowanych problemów. Rok temu naukowcy z MIT i ETH Zurich wykorzystano uczenie maszynowe do rozwiązania problemu optymalizacji efektywnego kierowania pakietami wakacyjnymi dla firm takich jak FedEx.

Firmy te wykorzystują oprogramowanie o nazwie mixed-integer linear programming (MILP), które dzieli problem na mniejsze części i przy użyciu ogólnych algorytmów znajduje najlepsze rozwiązanie, co może zająć wiele godzin, a nawet dni.

Tutaj kluczową częścią, która spowalnia cały proces, jest to, że rozwiązywacze MILP mają zbyt wiele potencjalnych rozwiązań. Naukowcy zastosowali mechanizm filtrowania, aby uprościć ten krok, co przyspieszyło rozwiązywacze MILP o 30–70% bez wpływu na dokładność. W tym celu technika opierała się na zasadzie malejących marginalnych zysków a następnie użyte uczenie maszynowe, trenowane przy użyciu zbioru danych specyficznego dla danego problemu, w celu znalezienia optymalnego rozwiązania spośród ograniczonej liczby opcji.

Na początku tego miesiąca londyński startup PhysicsX wprowadził duży model geometryczny o nazwie LGM-Aero dla inżynierii lotniczej i kosmicznej. Model geometryczny i fizyczny jest oczekiwany Aby znacząco skrócić czas opracowywania koncepcji samolotu, firma udostępniła publicznie aplikację referencyjną („Ai.rplane”) opartą na oprogramowaniu LGM-Aero, aby zaprezentować możliwości swojego modelu w zakresie generowania projektów samolotów i przewidywania zjawisk fizycznych związanych z ich osiągami. 

Model jest przeszkolony w chmurze obliczeniowej Amazon Web Services (AWS) przy użyciu ponad 25 milionów różnych kształtów, reprezentujących ponad 10 miliardów wierzchołków. Jego dane szkoleniowe obejmują również zbiór symulacji obliczeniowej dynamiki płynów (CFD) i analizy elementów skończonych (FEA) wygenerowanych we współpracy z firmą Siemens. 

Podobnie jak LLM rozumie tekst, LGM posiada ogromną wiedzę na temat kształtów i struktur ważnych dla inżynierii lotniczej i kosmicznej, dzięki czemu „może optymalizować wiele typów fizyki w ciągu kilku sekund, o wiele rzędów wielkości szybciej niż symulacja numeryczna, i przy takim samym poziomie dokładności” — powiedział dyrektor generalny Jacomo Corbo.

W tym roku OpenAI, wspierana przez Microsoft firma badawcza zajmująca się sztuczną inteligencją i stojąca za ChatGPT, zaprezentowała także swoje najnowsze modele, o1-preview i o1-mini, ogłaszając znaczący skok w możliwościach rozumowania dużych modeli językowych (LLM). 

Model ten ma możliwość wykorzystania „rozumowania łańcuchowego”, podobnego do tego, co robią ludzie rozwiązując problem, co polega na dzieleniu złożonych rzeczy na małe, łatwe do opanowania zadania. Zastosowanie ludzkiego rozumowania w LLM ma obserwowano już wcześniej przez Google Research i inne firmy. 

Nowy model sztucznej inteligencji do rozwiązywania równań różniczkowych cząstkowych

W miarę jak rośnie wykorzystanie i popularność sztucznej inteligencji, rosną również jej możliwości, a naukowcy i firmy pracują nad udoskonaleniem tej technologii i zwiększeniem jej dokładności. 

najnowsze ramy sztucznej inteligencji z Johns Hopkins naukowcy stosują ogólne podejście do przewidywania rozwiązań czasochłonnych i powszechnych równań matematycznych. Równania różniczkowe cząstkowe (PDE) są powszechnym zadaniem w dziedzinie badań inżynieryjnych i medycznych. 

Jednak koszty obliczeniowe związane z rozwiązywaniem tych równań mogą być niewspółmiernie wysokie. Ponadto rozwiązywanie tych ogromnych problemów matematycznych wymaga zazwyczaj superkomputerów, ale już nie. 

Nowe ramy sztucznej inteligencji umożliwiają nawet komputerom osobistym rozwiązywanie równań różniczkowych cząstkowych, które naukowcy wykorzystują do tłumaczenia rzeczywistych procesów lub systemów na matematyczne reprezentacje zmian obiektów w czasie i przestrzeni.

Nie jest to pierwszy raz, kiedy zaproponowano model sztucznej inteligencji do rozwiązywania równań różniczkowych cząstkowych; w rzeczywistości, jego pomysł został po raz pierwszy udostępniony kilka dekad temu. W rozwijającej się dziedzinie naukowego uczenia maszynowego rozwiązywanie równań różniczkowych cząstkowych za pomocą sieci neuronowych zyskało wiele uwagi w ciągu ostatniej dekady dzięki wszystkim postępom w zakresie zdolności obliczeniowych do trenowania głębokich sieci neuronowych. 

Pomimo sukcesu operatora neuronowego, który wykorzystuje sztuczną inteligencję do nauki operatora rozwiązania równania różniczkowego cząstkowego, najnowsze badania wykazały, że w przypadku zadań związanych z optymalizacją i prognozowaniem nadal występują wąskie gardła obliczeniowe. Ten wynika z niezdolności operatorów neuronowych do oceny rozwiązań równań różniczkowych cząstkowych zależnych od geometrii.

Obecnie większość struktur operatorów neuronowych, jak zauważono w badaniu, jest rozwijana w domenie o stałych granicach. Ponadto, posiadanie wariacji kształtu wymaga ponownego trenowania sieci neuronowej. 

Zatem, aby sprostać tym wyzwaniom obliczeniowym, badacze zaproponowali DIMON — Diffeomorphic Mapping Operator Learning. W tym celu połączyli operatory neuronowe z mapowaniami dyfeomorficznymi między domenami i kształtami. 

Model eliminuje potrzebę ponownego obliczania siatek przy każdej zmianie formy. W ten sposób DIMON może przyspieszyć symulacje i zoptymalizować projekty, przewidując, jak elementy fizyczne, takie jak ruch, naprężenie i ciepło, zachowują się w różnych kształtach, zamiast rozbijać złożone kształty na małe elementy.

Ogólnie rzecz biorąc, rozwiązywanie tych równań polega na rozbijaniu złożonych kształtów, takich jak ludzkie organy lub skrzydła samolotów, na siatki lub siatki wykonane z małych elementów. Następnie problem jest rozwiązywany na każdym prostym elemencie przed ponownym połączeniem. 

Jeśli jednak kształty te ulegną zmianie wskutek zderzenia lub deformacji, siatki muszą zostać zaktualizowaneOznacza to, że rozwiązania również muszą zostać przeliczone, co sprawia, że ​​cały proces obliczeniowy jest nie tylko kosztowny, ale i powolny. 

DIMON wykorzystuje sztuczną inteligencję do zrozumienia, jak systemy fizyczne działają z różnymi kształtami. Dzięki temu naukowcy nie muszą dzielić kształtów na siatki i wielokrotnie rozwiązywać równań; zamiast tego sztuczna inteligencja wykorzystuje poznane wzorce, aby przewidywać zachowanie różnych czynników, co usprawnia i przyspiesza modelowanie scenariuszy specyficznych dla danego kształtu i optymalizację projektów.

Jak twierdzi współprowadząca Natalia Trayanova, profesor inżynierii biomedycznej i medycyny na Uniwersytecie Johnsa Hopkinsa:

„Chociaż motywacją do jego rozwoju była nasza własny „praca, to rozwiązanie, które naszym zdaniem będzie miało ogromny wpływ na różne dziedziny inżynierii, ponieważ jest bardzo uniwersalne i skalowalne”.

Punkt zwrotny dla projektów inżynieryjnych

Nowe ramy AI zapewniają podejście, które umożliwia szybką predykcję rozwiązań PDE w wielu domenach. Ponadto ułatwia wiele aplikacji downstream wykorzystujących AI. 

Mówiąc o możliwościach modelu, Trayanova zauważyła, że ​​DIMON może zasadniczo rozwiązywać dowolne problemy z dowolnej dziedziny nauki lub inżynierii, rozwiązując równania różniczkowe cząstkowe na wielu geometriach. 

Obejmuje to testy zderzeniowe, analizę reakcji statków kosmicznych na ekstremalne warunki, ocenę odporności mostów na naprężenia, badanie rozchodzenia się płynów w różnych geometriach, prowadzenie badań ortopedycznych i rozwiązywanie innych złożonych problemów związanych ze zmianą materiałów i kształtów. Dzięki temu modelowanie wszystkich tych scenariuszy może być teraz znacznie szybsze do nowych ram sztucznej inteligencji.

Aby zademonstrować przydatność nowego modelu w rozwiązywaniu innych rodzajów problemów inżynieryjnych, zespół przetestował DIMON na ponad 1,000 „cyfrowych bliźniakach” serc. Te cyfrowe bliźniaki to bardzo szczegółowe komputerowe modele serc prawdziwych pacjentów.

Arytmia serca jest badana poprzez rozwiązywanie równań różniczkowych cząstkowych. Schorzenie to powoduje nieregularne bicie serca z powodu nieprawidłowego zachowania impulsu elektrycznego. Cyfrowe bliźniaki serc pozwalają badaczom określić, czy pacjenci mogą zachorować na to schorzenie, które często jest śmiertelne, a następnie zalecić sposoby jego leczenia. 

Znaleziono nowe ramy sztucznej inteligencji udało się przewidzieć, w jaki sposób sygnały elektryczne są przesyłane przez każdy unikalny kształt serca, z dużą dokładnością, bez konieczności przeprowadzania kosztownych symulacji numerycznych.

Trayanova, dyrektor Johns Hopkins Alliance for Cardiovascular Diagnostic and Treatment Innovation, stosuje podejścia oparte na danych, modelowanie obliczeniowe i innowacje w obrazowaniu serca w celu diagnozowania i leczenia chorób układu krążenia. Ciągle wprowadzają do kliniki nowe technologie.  

Zauważyła jednak, że ich rozwiązania są nadal zbyt wolne, ponieważ zeskanowanie serca pacjenta i rozwiązanie problemu PDE, aby przewidzieć, czy pacjent jest narażony na wysokie ryzyko nagłej śmierci sercowej, a następnie zaproponować najlepszy plan leczenia, zajmuje im około tygodnia.

Jednak najnowszy model firmy wprowadza ogromną zmianę.

„Dzięki temu nowemu podejściu opartemu na sztucznej inteligencji szybkość, z jaką możemy znaleźć rozwiązanie, jest niewiarygodna”.

– Trajanowa

Czas potrzebny do dokonać przewidywania Czas potrzebny na stworzenie cyfrowego bliźniaka serca został skrócony z kilku godzin do zaledwie pół minuty (30 sekund). To nie wszystko; obliczenia nie wymagają nawet superkomputera. Wszystko odbywa się na komputerze stacjonarnym, co, jak twierdzi Trayanova, pozwoli im „włączyć to do codziennego cyklu pracy klinicznej”.

Wszechstronność tej technologii sprawia, że ​​doskonale sprawdza się ona w sytuacjach, w których konieczne jest wielokrotne rozwiązywanie równań różniczkowych cząstkowych dla nowych kształtów. 

„W przypadku każdego problemu DIMON najpierw rozwiązuje równania różniczkowe cząstkowe na pojedynczym kształcie, a następnie mapuje rozwiązanie na wiele nowych kształtów. Ta zdolność zmiany kształtu podkreśla jego ogromną wszechstronność. Jesteśmy bardzo podekscytowani, że możemy go wykorzystać w wielu problemach, a także udostępnić szerszej społeczności, aby przyspieszyć ich rozwiązania inżynieryjne”.

– Minglang Yin, stypendystka podoktorska na Johns Hopkins Biomedical Engineering, która opracowała platformę

Firmy rozwijające sztuczną inteligencję

Przyjrzyjmy się teraz firmom, które pomagają przenieść rewolucję technologiczną w dziedzinie sztucznej inteligencji na nowy poziom. 

1. NVIDIA Corporation (NVDA )

Nvidia, wiodący dostawca procesorów graficznych na świecie, druga co do wielkości firma, z kapitalizacją rynkową wynoszącą 3.28 biliona dolarów. W chwili pisania tego tekstu akcje spółki są notowane po 133.91 dolarów, co oznacza ogromny wzrost o 171.9% od początku roku (YTD), przy zysku na akcję (TTM) wynoszącym 2.54, wskaźniku P/E (TTM) wynoszącym 52.90 i zwrocie z kapitału własnego (TTM) wynoszącym 127.21%, przy jednoczesnej wypłacie dywidendy w wysokości 0.03%.

Rozwiązania sprzętowe i programowe firmy mają kluczowe znaczenie dla aplikacji głębokiego uczenia się i symulacji inżynierskich, odgrywając ważną rolę w rozwoju rewolucji w dziedzinie sztucznej inteligencji.

Napędzana manią na punkcie sztucznej inteligencji firma Nvidia zgłaszane przychody w wysokości ponad 35 miliardów dolarów za III kwartał zakończony 3 października 27 r., co stanowi wzrost o 2024% w porównaniu z poprzednim kwartałem i aż o 17% w porównaniu z rokiem poprzednim.

„Era sztucznej inteligencji jest w pełnym rozkwicie, napędzając globalną zmianę w kierunku obliczeń NVIDIA” — powiedział dyrektor generalny i założyciel Jensen Huang, który zauważył ponadto, że sztuczna inteligencja nie tylko przekształca firmy i branże, ale także kraje, które „uświadomiły sobie znaczenie rozwijania krajowej sztucznej inteligencji i infrastruktury”.

2. Microsoft Corporation (MSFT )  

Kapitalizacja rynkowa na poziomie 3.32 biliona dolarów plasuje Microsoft w pierwszej trójce firm na świecie pod względem kapitalizacji rynkowej. W chwili pisania tego tekstu akcje firmy są notowane po 447.24 dolarów, co oznacza wzrost o prawie 19% od początku roku. Ten Szacuje się, że zysk na akcję (EPS, TTM) spółki wynosi 12.11, wskaźnik P/E (P/E, TTM) 36.92, a wskaźnik ROE (TTM) 35.60%. Tymczasem stopa dywidendy wypłacanej przez Microsoft wynosi 0.74%.

Największe zaangażowanie Microsoftu w sztuczną inteligencję ma miejsce za pośrednictwem OpenAI, na który firma przeznaczyła ponad 13 miliardów dolarów. Oprócz partnerstwa z OpenAI, został niedawno wyceniony Dysponując kapitałem wynoszącym 150 mld dolarów, Microsoft intensywnie inwestuje w badania nad sztuczną inteligencją, rozwiązania chmurowe oraz aplikacje dla inżynierii i obliczeń naukowych.

W okresie od lipca do września spółka zgłaszane Sprzedaż wyniosła 65.6 mld dolarów, co stanowi wzrost o 16% w porównaniu z rokiem poprzednim, a zyski wzrosły o 11% do 24.7 mld dolarów. Wzrost ten był napędzany przez popyt, który nadal „przewyższał nasze dostępne moce przerobowe”, jak twierdzi dyrektor finansowy Microsoftu.

3. ANSYS spółka z ograniczoną odpowiedzialnością (ANSS )

Ta firma specjalizuje się w oprogramowaniu do symulacji inżynieryjnych do rozwiązywania złożonych problemów. Firma, której usługi są używane przez studentów, badaczy, projektantów i inżynierów, coraz częściej wykorzystuje sztuczną inteligencję w celu zwiększenia wydajności.

Przy kapitalizacji rynkowej wynoszącej 29.75 mld dolarów, akcje spółki Ansys są obecnie wyceniane na 339.51 dolarów, co oznacza spadek o 6.24% w tym roku. Ten ma zysk na akcję (TTM) wynoszący 6.47, wskaźnik P/E (TTM) wynoszący 52.55 i wskaźnik ROE (TTM) wynoszący 10.48%. 

W 3 kw. 24 r. Ansys zgłaszane 601.9 mln USD przychodów, o 31% więcej niż w trzecim kwartale ubiegłego roku, podczas gdy roczna wartość kontraktu (ACV) wyniosła 540.5 mln USD. Marża zysku operacyjnego GAAP wyniosła 26.8%, podczas gdy marża zysku operacyjnego non-GAAP wyniosła 45.8%. Przepływy pieniężne z działalności operacyjnej za ten okres wyniosły 174.2 mln USD, podczas gdy przychody odroczone i portfel zamówień wyniosły 1,463.8 mln USD.

Wniosek 

Sztuczna inteligencja rozwija się w szybkim tempie, a wprowadzenie nowych frameworków AI, takich jak DIMON, stanowi rewolucyjny krok w rozwiązywaniu złożonych problemów inżynieryjnych, jednocześnie radykalnie skracając czas i koszty obliczeniowe z nimi związane. W ten sposób przełom nie tylko przyspiesza procesy projektowania inżynierskiego, ale także rozszerza zastosowanie sztucznej inteligencji w różnych dziedzinach.

W miarę jak naukowcy we współpracy z firmami takimi jak Nvidia dokonują kolejnych wielkich odkryć, budują zaawansowane modele i rozwijają technologie, potencjał integracji sztucznej inteligencji z codziennymi procesami pracy rośnie wykładniczo, co zwiastuje nową erę, w której sztuczna inteligencja będzie napędzać niespotykaną dotąd wydajność i innowacyjność!

Kliknij tutaj, aby dowiedzieć się wszystkiego o inwestowaniu w sztuczną inteligencję.