Революція в інженерії: нова роль ШІ у вирішенні складних рівнянь швидше, ніж суперкомп’ютери

Суперкомп'ютери відомі своєю високою продуктивністю, що дозволяє їм вирішувати складні обчислювальні задачі. Найшвидші комп’ютери у світі, ці машини можуть обробляти масивні набори даних і виконувати складні обчислення з високою швидкістю, здатні розв’язувати до одного квінтильйона обчислень за секунду.

Цікаво, що лише цього тижня технологічний гігант Google представила її чіп наступного покоління під назвою «Willow», який працює на основі надпровідних кубітів і може вирішити складну математичну задачу всього за п'ять хвилин, експоненціально зменшуючи кількість помилок. 

Незважаючи на свою вражаючу продуктивність, квантовий чіп є ніде близько до зламу сучасна криптографія.

Серед усього цього з’явився новий штучний інтелект (ШІ), здатний вирішувати складні інженерні проблеми навіть швидше, ніж суперкомп’ютери. Нове технологічне рішення походить від дослідників Джона Хопкінса, які можуть змінити правила гри в інженерному просторі.

Нова ера ШІ 

Після того як ШІ був гарячою темою протягом багатьох років, ШІ нарешті почав осмислено використовуватися в ключових галузях. Його величезний потенціал для підвищення ефективності та продуктивності має свій ринок цього року перевищить 184 мільярди доларів та is прогнозовані до збільшити доходи більш ніж на 15 трильйонів доларів до кінця цього десятиліття. 

Недавній звіт показав, що 68% організацій або активно використовують Gen AI, або розробили дорожні карти після успішного пілотного впровадження. 

Як продовжує ШІ трансформувати різні галузі, особливо в інженерному ландшафті, люди зараз стикаються з проблемою застарілості. За оцінками, протягом наступного десятиліття до 40% інженерних завдань можуть бути автоматизовані.

Щоб зрозуміти вплив штучного інтелекту на світ, ми повинні спочатку зрозуміти, що ШІ — це просто технологія, яка дозволяє машинам і комп'ютерам імітувати людське мислення, навчання, розуміння, вирішення проблем, прийняття рішень та креативність. 

Під ШІ лежить машинне навчання, яке передбачає навчання алгоритму для створення моделей, які використовують дані для прийняття рішень і прогнозів. 

Існують різні види алгоритмів або технік машинного навчання, одним із найпопулярніших типів є штучні нейронні мережі. Ці мережі моделюються за структурою та функціями людського мозку. 

Глибоке навчання, підгрупа машинного навчання, використовує багатошарові нейронні мережі, які ще ефективніше моделюють здатність людського мозку приймати складні рішення. Ці мережі навчаються на даних і використовуються для вирішення різних проблем, починаючи від розпізнавання зображень і мовлення до обробки природної мови. 

Глибоке навчання повністю змінює спосіб взаємодії машин зі складними даними, маючи можливість перевершити продуктивність людського рівня, досягаючи високої точності.

Використання ШІ для вирішення складних проблем 

ШІ пропонує численні переваги, такі як автоматизація повторюваних завдань, менше людських помилок, цілодобова доступність і покращене прийняття рішень, що призвело до його застосування в усіх видах бізнесу в різних галузях.

Здатність технології ефективно аналізувати величезні обсяги даних, виявляти закономірності, які могли бути пропущені людьми, і, нарешті, виконувати швидкі обчислення робить ШІ... чудовий інструмент для вирішення складних завдань. Коли ви маєте справу з великими наборами даних і складними сценаріями прийняття рішень, які забирають багато часу або неможливі для людини самостійно, ШІ може бути надзвичайно корисним.

Отже, зростає увага до використання ШІ для вирішення складних завдань. Рік тому дослідники з MIT і ETH Zurich використав машинне навчання для вирішення проблеми оптимізації ефективного маршрутизації святкових пакетів для таких компаній, як FedEx.

Ці компанії використовують програмне забезпечення під назвою «вирішувач змішаного цілочисельного лінійного програмування» (MILP), який розбиває проблему на менші частини та використовує загальні алгоритми для пошуку найкращого рішення, що може зайняти години і навіть дні.

Тут ключовою частиною, яка сповільнює весь процес, є те, що розв’язувачі MILP мають занадто багато потенційних рішень. Дослідники використали механізм фільтрації, щоб спростити цей етап, який прискорив розв’язувачі MILP на 30-70%, не впливаючи на точність. Для цього методика спиралася на принцип зменшення граничної прибутковості а потім використовується машинне навчання, навчене набору даних, специфічних для проблеми, для пошуку оптимального рішення зі зменшеної кількості варіантів.

Трохи раніше цього місяця лондонський стартап PhysicsX представив велику геометричну модель LGM-Aero для аерокосмічної техніки. Геометрично-фізична модель очікується щоб допомогти значно скоротити час розробки концепцій літаків. Компанія зробила загальнодоступним еталонний додаток («Ai.rplane»), побудований на LGM-Aero, щоб продемонструвати можливості своєї моделі у створенні конструкцій літаків та прогнозуванні фізики, пов'язаної з льотними характеристиками літака. 

Модель навчається у хмарних обчисленнях Amazon Web Services (AWS), використовуючи понад 25 мільйонів різних фігур, що представляють понад 10 мільярдів вершин. Його навчальні дані також включають колекцію симуляцій обчислювальної гідродинаміки (CFD) і аналізу кінцевих елементів (FEA), створених у співпраці з Siemens. 

Подібно до того, як магістратури розуміють текст, LGM володіє великими знаннями про форми та структури, важливі для аерокосмічної техніки, і, таким чином, «може оптимізувати різні типи фізики за секунди, на багато порядків швидше, ніж числове моделювання, і на такий самий рівень точності», – сказав генеральний директор Jacomo Corbo.

Цього року OpenAI, дослідницька компанія зі штучного інтелекту, яка підтримується Microsoft і стоїть за ChatGPT, також представила свої останні моделі, o1-preview і o1-mini, заявивши про значний стрибок у можливостях міркування великих мовних моделей (LLM). 

Модель має можливість використовувати «ланцюжок думок», подібно до того, що роблять люди під час вирішення проблеми, яка включає в себе поділ складних речей на невеликі, керовані завдання. Застосування людського міркування в LLM має спостерігалося раніше Google Research та інші. 

Нова модель AI для вирішення PDE

Оскільки використання та популярність штучного інтелекту продовжують зростати, зростають і його можливості, а дослідники та компанії працюють над покращенням і точнішою технологією. 

Команда остання структура AI від дослідників Джона Гопкінса використовує загальний підхід для прогнозування розв’язків трудомістких і поширених математичних рівнянь. Диференціальні рівняння в частинних похідних (PDE) є поширеним завданням у галузі інженерних та медичних досліджень. 

Однак витрати на розв’язання цих рівнянь можуть бути непомірно високими. Крім того, для вирішення цих величезних математичних задач зазвичай потрібні суперкомп’ютери, але тепер ні. 

Нова структура штучного інтелекту дозволяє навіть персональним комп’ютерам справлятися з диференціальними рівняннями в частинних похідних, які вчені використовують для перекладу процесів або систем реального світу в математичні уявлення про те, як об’єкти змінюються в часі та просторі.

Це не перший випадок, коли модель штучного інтелекту була запропонована для розв'язання диференціальних рівнянь в часткових похідних; насправді, його ідею вперше поділили кілька десятиліть тому. У галузі наукового машинного навчання, що розвивається, розв’язування диференціальних рівнянь із частинними похідними за допомогою нейронних мереж привернуло багато уваги за останнє десятиліття завдяки всім досягненням у обчислювальних можливостях для навчання глибоких нейронних мереж. 

Незважаючи на успіх нейронного оператора, який використовує ШІ для вивчення оператора рішення PDE, останні дослідження відзначили, що обчислювальні вузькі місця продовжують існувати під час виконання завдань оптимізації та прогнозування. Цей це пов'язано з нездатністю нейронних операторів оцінювати розв'язки диференціальних рівнянь в часткових похідних, які залежать від геометрії.

В даний час більшість фреймворків нейронних операторів, як зазначено в дослідженні, розроблені в області з фіксованими межами. Крім того, наявність варіацій форми вимагає перенавчання нейронної мережі. 

Отже, з метою вирішення цих обчислювальних проблем дослідники запропонували DIMON — навчання операторів диффеоморфного відображення. Для цього вони поєднали нейронні оператори з дифеоморфними відображеннями між областями та формами. 

Модель позбавляє від необхідності перераховувати сітки при кожній зміні форми. Таким чином, DIMON може пришвидшити моделювання та оптимізувати проекти, прогнозуючи, як фізичні елементи, такі як рух, напруга та тепло, поводяться в різних формах, замість того, щоб розбивати складні форми на маленькі елементи.

Як правило, розв’язування цих рівнянь передбачає розбиття складних форм, таких як людські органи чи крила літака, на сітки чи сітки, що складаються з дрібних елементів. Потім проблема вирішується на кожній простій частині перед тим, як її знову об’єднати. 

Однак, якщо ці форми змінюються внаслідок аварії або деформації, сітки повинні бути оновлені. Це означає, що рішення також потрібно перераховувати, що робить весь процес обчислення не тільки дорогим, але й повільним. 

Тут DIMON використовує штучний інтелект, щоб зрозуміти, як фізичні системи працюють з різними формами. Тож дослідникам не потрібно знову і знову розділяти форми на сітки та розв'язувати рівняння; натомість штучний інтелект використовує вивчені шаблони, щоб передбачити поведінку різних факторів, що робить моделювання сценаріїв, пов'язаних з певними формами, та оптимізацію дизайну ефективнішим та швидшим.

За словами співведучої Наталії Траянової, професора біомедичної інженерії та медицини в Університеті Джона Гопкінса:

«Хоча мотивація розвивати це надходила від нас власний робота, це рішення, яке, на нашу думку, загалом матиме величезний вплив на різні галузі інженерії, оскільки воно дуже універсальне та масштабоване».

Переломний момент для інженерних проектів

Нова структура AI забезпечує підхід, який дозволяє швидко прогнозувати рішення PDE у кількох доменах. Більше того, це полегшує роботу багатьох додатків, які використовують штучний інтелект. 

Говорячи про можливості моделі, Траянова зазначила, що DIMON може працювати над будь-якою проблемою в будь-якій галузі науки чи техніки, розв'язуючи диференціальні рівняння в часткових похідних на кількох геометріях. 

Це включає краш-тестування, аналіз того, як космічний корабель реагує на екстремальні умови, оцінку того, як мости протистоять навантаженню, вивчення того, як рідини поширюються через різні геометрії, проведення ортопедичних досліджень та вирішення інших складних проблем, коли матеріали та форми змінюються. Завдяки цьому моделювання всіх цих сценаріїв тепер можна зробити набагато швидше на нову структуру AI.

Щоб продемонструвати застосовність нової моделі для вирішення інших інженерних проблем, команда протестувала DIMON на більш ніж 1,000 серцевих «цифрових близнюках». Ці цифрові близнюки — високодеталізовані комп’ютерні моделі сердець реальних пацієнтів.

Аритмію серця вивчають шляхом вирішення диференціальних рівнянь у частинних похідних. Захворювання викликає нерегулярне серцебиття внаслідок неправильної поведінки електричного імпульсу. Цифрові двійники серця дозволяють дослідникам визначити, чи можуть пацієнти отримати цей стан, який часто є летальним, а потім рекомендувати шляхи його лікування. 

Нову структуру ШІ знайдено успішно передбачають, як електричні сигнали передаються через кожну унікальну форму серця з високою точністю, навіть не потребуючи виконання дорогого чисельного моделювання.

Траянова, директор Альянсу Джона Гопкінса з інновацій у діагностиці та лікуванні серцево-судинних захворювань, застосовує підходи, що базуються на даних, обчислювальне моделювання та інновації у візуалізації серця для діагностики та лікування серцево-судинних захворювань. Вони постійно впроваджують у клініку нові технології.  

Однак вона зазначила, що їхні рішення все ще надто повільні, оскільки їм потрібно близько тижня, щоб сканувати серце пацієнта та визначити PDE, щоб передбачити, чи є у пацієнта високий ризик раптової серцевої смерті, а потім надати найкращий план лікування.

Але це бачимо монументальний зсув з їхньою останньою моделлю.

«Завдяки цьому новому підходу штучного інтелекту швидкість, з якою ми можемо знайти рішення, неймовірна».

– Траянова

Час, необхідний для зробити прогноз Цифровий двійник серця скоротився з кількох годин до лише півхвилини (30 секунд). Це навіть не все; для цього навіть не потрібен суперкомп'ютер. Натомість, все це виконується на настільному комп'ютері, що, за словами Траянової, дозволить їм «зробити це частиною щоденного клінічного робочого процесу».

Універсальність технології робить її ідеальною для ситуацій, коли потрібно постійно розв’язувати диференціальні рівняння з частинними похідними на нових формах. 

«Для кожної проблеми DIMON спочатку розв’язує диференціальні рівняння в частинних похідних на одній фігурі, а потім відображає рішення на кількох нових фігурах. Ця здатність змінювати форму підкреслює його надзвичайну універсальність. Ми дуже раді застосувати його для вирішення багатьох проблем, а також надати його ширшій спільноті для прискорення їхніх інженерних проектних рішень».

– Мінгланг Інь, постдокторант відділу біомедичної інженерії Джона Хопкінса, який розробив платформу

Компанії, що розвивають ШІ

А тепер давайте розглянемо компанії, які допомагають вивести технологічну революцію штучного інтелекту на нові висоти. 

1. NVIDIA Corporation (NVDA )

Nvidia, провідний постачальник графічних процесорів, є світовим друга за величиною компанія, з ринковою капіталізацією 3.28 трильйона доларів. На момент написання статті її акції торгуються на рівні 133.91 дол. США, що на колосальні 171.9% більше з початку року (з початку року), при цьому прибуток на акцію (TTM) становить 2.54, P/E (TTM) 52.90 і ROE ( TTM) 127.21% при виплаті дивідендної прибутковості 0.03%.

Апаратні та програмні рішення компанії мають вирішальне значення для застосувань глибокого навчання та інженерного моделювання, відіграючи важливу роль у просуванні революції штучного інтелекту.

Керуючись манією ШІ, Nvidia повідомляє дохід склав понад 35 мільярдів доларів США за 3 квартал, що закінчився 27 жовтня 2024 року, що на 17% більше, ніж у попередньому кварталі, і на 94% більше, ніж рік тому.

«Епоха штучного інтелекту йде повним ходом, що спонукає глобальний перехід до обчислень NVIDIA», — сказав генеральний директор і засновник Дженсен Хуанг, який також зазначив, що штучний інтелект трансформує не лише компанії та галузі, але й країни, які «усвідомлюють важливість розвитку». їхній національний ШІ та інфраструктура».

2. Корпорація Microsoft (MSFT )  

Ринкова капіталізація Microsoft у 3.32 трильйона доларів ставить її серед трьох провідних компаній світу за ринковою капіталізацією. На момент написання статті її акції торгуються за ціною 447.24 долара, що становить зростання майже на 19% з початку року. Цей Згідно з цим показником, прибуток на акцію (TTM) компанії становить 12.11, коефіцієнт P/E (TTM) – 36.92, а рентабельність власного капіталу (TTM) – 35.60%. Дивідендна дохідність, яку виплачує Microsoft, тим часом становить 0.74%.

Найбільша участь Microsoft у розвитку штучного інтелекту відбувається через OpenAI, в який вона вклала понад 13 мільярдів доларів. Окрім партнерства з OpenAI, яке нещодавно був оцінений Майкрософт також інвестує значні кошти в дослідження штучного інтелекту, хмарні рішення та програми для інженерних і наукових обчислень.

На період з липня по вересень компанія повідомляє Продажі склали 65.6 мільярда доларів, що на 16% більше, ніж роком раніше, тоді як прибуток зріс на 11% до 24.7 мільярда доларів. За словами фінансового директора Microsoft, це зростання було зумовлене попитом, який продовжує «перевищувати наші наявні потужності».

3. ANSYS, Inc. (ANSS )

Це спеціалізується на програмному забезпеченні інженерного моделювання для вирішення складних проблем. Компанія, послуги якої використовуються студентами, дослідниками, дизайнерами та інженерами, також все більше інтегрує ШІ для підвищення ефективності.

З ринковою капіталізацією в 29.75 мільярда доларів США акції Ansys зараз торгуються на рівні 339.51 долара США, що на 6.24% менше цього року. Цей має прибуток на акцію (TTM) компанії на рівні 6.47, коефіцієнт P/E (TTM) – 52.55, а рентабельність власного капіталу (TTM) – 10.48%. 

Для 3Q24, Ansys повідомляє Дохід склав 601.9 мільйона доларів США, що на 31% більше, ніж у третьому кварталі минулого року, а річна вартість контракту (ACV) становила 540.5 мільйона доларів США. Рентабельність операційного прибутку згідно з GAAP становила 26.8%, тоді як рентабельність операційного прибутку за стандартами GAAP становила 45.8%. Операційні грошові потоки за цей період склали 174.2 мільйона доларів США, а доходи майбутніх періодів і відставання – 1,463.8 мільйона доларів США.

Висновок 

Штучний інтелект розвивається стрімкими темпами, а впровадження нових фреймворків для ШІ, таких як DIMON, знаменує собою революційний крок у вирішенні складних інженерних проблем, водночас значно скорочуючи пов'язані з ними час та обчислювальні витрати. Таким чином, цей прорив не лише прискорює процеси інженерного проектування, але й розширює застосування ШІ в різних галузях.

Оскільки дослідники разом із такими компаніями, як Nvidia, продовжують робити великі відкриття, створювати потужні моделі та розвивати технології, потенціал інтеграції штучного інтелекту в повсякденні робочі процеси зростає експоненціально, що вказує на нову еру, коли штучний інтелект забезпечує безпрецедентну ефективність та інновації!

Натисніть тут, щоб дізнатися все про інвестування в штучний інтелект.