Οι μηχανικοί μηχανικοί πρέπει να προσομοιώσουν τον τρόπο με τον οποίο το προϊόν τους θα λειτουργεί υπό διάφορες φυσικές συνθήκες. Ωστόσο, αυτές οι προσομοιώσεις μπορεί να χρειαστούν ημέρες για να τρέξουν και να κοστίσουν χιλιάδες δολάρια.
Why Simulation Matters
Γιατί η προσομοίωση έχει σημασίαΟ σχεδιασμός ενός προϊόντος είναι θεμελιωδώς ένα πρόβλημα βελτιστοποίησης και αυτή η βελτιστοποίηση βασίζεται στην επαναλαμβανόμενη δοκιμή και βελτίωση σχεδίων με βάση τα σχόλια.
Αυτός ήταν ο λόγος για τον οποίο στη δεκαετία του 1960, οι αριθμητικοί διαλύτες έγιναν δημοφιλείς για να προσεγγίσουν τις φυσικές συνθήκες του πραγματικού κόσμου.Οι αλγόριθμοι αυτοί επέτρεψαν στους μηχανικούς να δοκιμάζουν προϊόντα σε πυρίτιο, αντί μέσω δαπανηρών και χρονοβόρων φυσικών πρωτοτύπων.
«Αλλά η πολυπλοκότητα των σχεδίων και των προσομοιώσεων συνέχισε να αυξάνεται, προκαλώντας τους λύτες να έχουν εκθετικά μεγαλύτερους χρόνους εκτέλεσης», λέει ο Chinmay Shrivastava, συνιδρυτής και CTO της CompLabs.
Επιπλέον, αυτές οι προσομοιώσεις απαιτούν εξειδικευμένη τεχνογνωσία και συχνά εβδομάδες δικτύωσης (περιγράφοντας τη γεωμετρία στον υπολογιστή), κοστίζοντας σε μεγάλους οργανισμούς εκατοντάδες εκατομμύρια ετησίως.
Τι θα γινόταν αν η τεχνητή νοημοσύνη καταλάβαινε σχέδια και φυσική;
Ο αντίκτυπος της γλώσσας κατανόησης της τεχνητής νοημοσύνης ήταν σημαντικός, αλλά τι θα συνέβαινε αν η τεχνητή νοημοσύνη θα μπορούσε επίσης να κατανοήσει σχέδια και φυσική
Τα υποκατάστατα μοντέλα χρησιμοποιούνται από προηγμένες ομάδες μηχανικής για να επιταχύνουν τις προσομοιώσεις. Είναι στενά μοντέλα ML εκπαιδευμένα σε μια συγκεκριμένη προσομοίωση, που απαιτούν σημαντικά δεδομένα και εμπειρία ML. Ωστόσο, δεν μπορούν να μοντέλο με ακρίβεια μη γραμμική φυσική, να συλλάβουν υψηλή πιστότητα, ή να διατηρήσουν την ακρίβεια με αλλαγές στη γεωμετρία, το υλικό ή τη φυσική.
«Πολλές ομάδες πειραματίζονται με υποκατάστατα μοντέλα, αλλά συχνά επενδύουν σημαντικές προσπάθειες για περιορισμένη απόδοση. τους παρέχουμε έναν ταχύτερο, πιο γενικευμένο τρόπο για να επιταχύνουν τις προσομοιώσεις», λέει ο Noah Evers, συνιδρυτής και διευθύνων σύμβουλος της CompLabs.
Αντί να εκπαιδεύει πολύ συγκεκριμένα μοντέλα μίας χρήσης, το CompLabs αναπτύσσει ένα γενικό μοντέλο AI που κατανοεί τις 3D γεωμετρίες και πώς επηρεάζονται από τις φυσικές συνθήκες.
Το μοντέλο τους είναι προ-εκπαιδευμένο σε ένα ποικίλο σώμα 3D γεωμετρίας και φυσικών δεδομένων. Αυτό του επιτρέπει να αναπαράγει την απόδοση του λύστη μιας εταιρείας μετά από λεπτομερή προσαρμογή σε προηγούμενες προσομοιώσεις. οι χρήστες μπορούν στη συνέχεια να εκτελούν προσομοιώσεις υψηλής πιστότητας σε δευτερόλεπτα σε νέες γεωμετρίες, υλικά και φυσικές συνθήκες. Επειδή το μοντέλο μπορεί να κατανοήσει διαισθητικά τις γεωμετρίες, δεν υπάρχει ανάγκη για δίχτυ.
Για παράδειγμα, μια μεγάλη εταιρεία μηχανικών σχεδιάζει να χρησιμοποιήσει το μοντέλο για να αξιολογήσει τους συνδυασμούς υλικών και επικαλύψεων για σύνθετα θερμικά εξαρτήματα, συμπιέζοντας μήνες εργασίας σε ώρες.
Looking Forward
Κοιτάζοντας μπροστάΗ CompLabs έχει συγκεντρώσει 2,65 εκατομμύρια δολάρια σε προ-σποράς χρηματοδότηση από την Alt Capital, τον Cory Levy και τον Joris Poort (CEO της Rescale).
Ο μηχανικός σχεδιασμός σήμερα είναι αργός: εβδομάδες δικτύωσης, απλούστευση μοντέλων για να γίνουν υπολογιστικά επεξεργάσιμοι και χρόνοι εκτέλεσης ημερών έως μηνών.
Στόχος μας είναι να τραβήξουμε μηχανικούς μηχανικούς από τα χόρτα και να τους ενδυναμώσουμε ως σχεδιαστές.
Με ένα μοντέλο AI που κατανοεί τη γεωμετρία και τη φυσική, οι μηχανικοί θα περιγράψουν τι θέλουν - ένα μέρος που μπορεί να αντέξει ορισμένα φορτία, να παραμείνει εντός θερμικών ορίων ή να μειώσει την πρόσφυση - και το σύστημα θα δημιουργήσει βελτιστοποιημένα σχέδια.
Ο σχεδιασμός θα γίνει πιο στοχευμένος, γρήγορος και δημιουργικός.
