Revolutionerende Ingeniørarbejde: AI’s Nye Rolle i at Løse Komplekse Ligninger Hurtigere end Supercomputere

Supercomputere er kendt for deres høje ydeevne, som gør dem i stand til at løse komplekse beregningsproblemer. De hurtigste computere i verden, disse maskiner kan behandle massive datasæt og udføre komplekse beregninger med høj hastighed, i stand til at løse op til en kvintillion beregninger per sekund.

Interessant nok afslørede teknologigiganten Google i denne uge sin næste generations chip kaldet ‘Willow’, som fungerer ved hjælp af superledende qubits og kan løse et komplekst matematisk problem på kun fem minutter, mens den reducerer fejl eksponentielt. 

På trods af dens imponerende ydeevne er den kvantechip på ingen måde tæt på at bryde moderne kryptografi.

Midt i alt dette kommer en ny kunstig intelligens (AI) med evnen til at løse komplekse ingeniørproblemer endnu hurtigere end supercomputere. Den nye teknologiske løsning kommer fra forskere fra Johns Hopkins, som kan blive spilskiftere inden for ingeniørområdet.

Den Nye Æra af AI 

Efter at have været et varmt emne i årevis, er AI endelig begyndt at blive anvendt meningsfuldt på tværs af nøgleindustrier. Dens enorme potentiale til at forbedre effektivitet og produktivitet har markedet voksende til over 184 milliarder dollars i år og forventes at øge indtægterne med mere end 15 trillioner dollars inden udgangen af dette årti. 

En nylig rapport fandt, at 68 % af organisationerne enten aktivt bruger generativ AI eller har udviklet køreplaner efter vellykkede pilotimplementeringer. 

Efterhånden som AI fortsætter med at transformere forskellige industrier, især ingeniørlandskabet, står folk nu over for udfordringen at blive forældede. Skøn antyder, at inden for det næste årti kan op til 40 % af ingeniøropgaver blive automatiseret.

For at forstå AI’s indvirkning på verden, skal vi først forstå, at AI blot er en teknologi, der gør det muligt for maskiner og computere at simulere menneskelig tænkning, læring, forståelse, problemløsning, beslutningstagning og kreativitet. 

Under AI ligger maskinlæring, som involverer at træne en algoritme til at skabe modeller, der bruger data til at træffe beslutninger og forudsigelser. 

Der findes forskellige typer af maskinlæringsalgoritmer eller -teknikker, hvor kunstige neurale netværk er en af de mest populære. Disse netværk er modelleret efter strukturen og funktionen af den menneskelige hjerne. 

Dyb læring, en underkategori af maskinlæring, bruger lagdelte neurale netværk, som er endnu mere effektive til at simulere den komplekse beslutningstagningsevne i den menneskelige hjerne. Disse netværk lærer af data og bruges til at løse forskellige problemer, fra billed- og talegenkendelse til behandling af naturligt sprog. 

Dyb læring ændrer fuldstændigt den måde, maskiner interagerer med komplekse data på, med evnen til at overgå menneskelig præstation, mens de opnår høj nøjagtighed.

Brug af AI til at Løse Komplekse Problemer 

AI tilbyder mange fordele, såsom automatisering af gentagne opgaver, færre menneskelige fejl, døgnåben tilgængelighed og forbedret beslutningstagning, hvilket har ført til dens anvendelse i alle slags virksomheder på tværs af industrier.

Teknologiens evne til effektivt at analysere enorme datamængder, identificere mønstre som mennesker kan have overset, og endelig udføre hurtige beregninger gør AI til et fantastisk værktøj til at løse komplekse problemer. Når man håndterer store datasæt og indviklede beslutningsscenarier, som ville være tidskrævende eller umulige for mennesker at håndtere alene, kan AI være enormt hjælpsom.

Derfor er der en stigende fokus på at udnytte AI til at løse indviklede problemer. For et år siden brugte forskere fra MIT og ETH Zürich maskinlæring til at løse optimeringsproblemet med effektiv ruteplanlægning af feriepakkker for virksomheder som FedEx.

Disse virksomheder bruger software kaldet mixed-integer linear programming (MILP) solver, som opdeler problemet i mindre dele og anvender generiske algoritmer for at finde den bedste løsning, hvilket kan tage timer og endda dage.

Her er den afgørende del, der bremser hele processen, at MILP-solvers har for mange potentielle løsninger. Forskerne brugte en filtreringsmekanisme til at forenkle dette trin, hvilket accelererede MILP-solvers med 30‑70 % uden at påvirke nøjagtigheden. Til dette stolede teknikken på princippet om faldende marginale afkast og brugte derefter maskinlæring, trænet med et datasæt specifikt for problemet, for at finde den optimale løsning fra det reducerede antal muligheder.

Tidligere denne måned introducerede den London-baserede startup PhysicsX en stor geometrimodel kaldet LGM-Aero til luftfartsingeniørkunst. Geometri- og fysikmodellen forventes at bidrage til betydelige reduktioner i udviklingstiden for flykonceptet. Virksomheden har gjort en referenceapplikation (‘Ai.rplane’) bygget på LGM-Aero offentligt tilgængelig for at demonstrere modellens evner til at generere flydesign og forudsige fysik relateret til flypræstation. 

Modellen er trænet på Amazon (AMZN ) Web Services (AWS) cloud computing ved brug af over 25 millioner forskellige former, der repræsenterer over 10 milliarder topunkter. Dens træningsdata inkluderer også en samling af computational fluid dynamics (CFD) og finite element analysis (FEA) simulationer genereret i samarbejde med Siemens. 

Ligesom LLM’er forstår tekst, har LGM en omfattende viden om former og strukturer, der er vigtige for luftfartsingeniørkunst, og kan derfor, som CEO Jacomo Corbo udtaler, “optimere på tværs af flere typer fysik på sekunder, mange størrelsesordener hurtigere end numerisk simulering, og på samme nøjagtighedsniveau.” 

I år har OpenAI, det Microsoft-støttede AI-forskningsfirma bag ChatGPT, også afsløret sine seneste modeller, o1-preview og o1-mini, og hævder et betydeligt spring i ræsonneringskapaciteten for store sprogmodeller (LLM’er). 

Modellen har evnen til at bruge “chain-of-thought reasoning”, svarende til hvad mennesker gør, når de løser et problem, hvilket indebærer at opdele komplekse ting i små, håndterbare opgaver. Anvendelsen af menneskelig lignende ræsonnering i LLM’er er tidligere blevet observeret af Google Research og andre.

En Ny AI Model til at Løse PDE’er

Efterhånden som brugen og populariteten af AI fortsætter med at vokse, vokser også dens kapaciteter, med forskere og virksomheder der arbejder på at gøre teknologien bedre og mere præcis. 

Den seneste AI-ramme fra Johns Hopkins-forskere tager en generisk tilgang til at forudsige løsninger på tidskrævende og udbredte matematiske ligninger. De partielle differentialligninger (PDE’er) er en gennemgribende opgave inden for ingeniør- og medicinforskning. 

Dog kan de beregningsomkostninger, der er forbundet med at løse disse ligninger, være uacceptabelt høje. At løse disse massive matematiske problemer krævede generelt supercomputere, men ikke længere. 

Den nye AI-ramme gør det muligt for selv personlige computere at tackle disse partielle differentialligninger, som forskere bruger til at omsætte virkelige processer eller systemer til matematiske repræsentationer af, hvordan objekter ændrer sig over tid og rum.

Dette er ikke første gang, en AI-model er blevet foreslået til at løse PDE’er; faktisk blev idéen først delt for et par årtier siden. På det fremvoksende område inden for videnskabelig maskinlæring har løsningen af partielle differentialligninger med neurale netværk fået stor opmærksomhed det seneste årti takket være alle fremskridt i beregningskapacitet til træning af dybe neurale netværk. 

På trods af succes med den neurale operator, som bruger AI til at lære PDE-løsningsoperatoren, bemærkede den seneste forskning, at beregningsflaskehalse fortsat eksisterer ved udførelse af opgaver inden for optimering og prognostik. Dette skyldes den neurale operators manglende evne til at evaluere PDE-løsninger, der er afhængige af geometri.

I øjeblikket er størstedelen af neurale operator-rammer, som undersøgelsen påpeger, udviklet på et domæne med faste grænser. Desuden kræver variationer i form gen-træning af det neurale netværk.

Så, med det formål at tackle disse beregningsudfordringer, foreslog forskerne DIMON — Diffeomorphic Mapping Operator Learning. Til dette kombinerede de neurale operatorer med diffeomorfe kortlægninger mellem domæner og former.

Modellen eliminerer behovet for at genberegne gittere ved hver formændring. På denne måde kan DIMON accelerere simulationer og optimere design ved at forudsige, hvordan fysiske elementer som bevægelse, stress og varme opfører sig på tværs af forskellige former i stedet for at opdele komplekse former i små elementer.

Generelt indebærer løsning af disse ligninger at opdele komplekse former, såsom menneskelige organer eller flyvinger, i gittere eller mesh’er bestående af små elementer. Problemet løses derefter på hvert enkelt stykke, før det samles igen.

Men hvis disse former ændres på grund af en kollision eller deformation, skal gitterne opdateres. Det betyder, at løsningerne også skal genberegnes, hvilket gør hele beregningsprocessen ikke kun dyr, men også langsom.

DIMON anvender her AI til at forstå, hvordan fysiske systemer fungerer med forskellige former. Så forskere behøver ikke at opdele former i gittere og løse ligninger igen og igen; i stedet udnytter AI de mønstre, den har lært, til at forudsige, hvordan forskellige faktorer vil opføre sig, hvilket gør det mere effektivt og hurtigere at modellere form‑specifikke scenarier og optimere design.

Ifølge medleder Natalia Trayanova, professor i biomedicinsk ingeniørvidenskab og medicin ved Johns Hopkins University:

“Selvom motivationen til at udvikle den kom fra vores eget arbejde, er dette en løsning, som vi tror vil have en enorm indvirkning på forskellige ingeniørområder, fordi den er meget generisk og skalerbar.”

Et Vendepunkt for Ingeniørdesign

Den nye AI-ramme giver en tilgang, der muliggør hurtig forudsigelse af PDE-løsninger på flere domæner. Desuden muliggør den mange efterfølgende anvendelser ved brug af AI. 

Når man taler om modellens kapaciteter, bemærkede Trayanova, at DIMON i princippet kan arbejde på ethvert problem inden for ethvert videnskabs‑ eller ingeniørområde for at løse PDE på flere geometrier. 

Dette inkluderer kollisionstest, analyse af hvordan rumfartøjer reagerer på ekstreme miljøer, vurdering af hvordan broer modstår stress, studier af hvordan væsker bevæger sig gennem forskellige geometrier, ortopædisk forskning, og håndtering af andre komplekse problemer, hvor materialer og former ændres. Modelleringen af alle disse scenarier kan nu gøres meget hurtigere takket være den nye AI-ramme.

For at demonstrere anvendeligheden af den nye model til at løse andre typer af ingeniørproblemer, testede holdet DIMON på mere end 1.000 hjerte‑”digitale tvillinger”. Disse digitale tvillinger er meget detaljerede computermodeller af hjerterne hos rigtige patienter.

Det er ved at løse partielle differentialligninger, at hjertearytmi studeres. Tilstanden forårsager uregelmæssige hjerteslag på grund af en fejl i elektrisk impuls. De digitale tvillinger af hjerter gør det muligt for forskere at afgøre, om patienter kan få denne ofte dødelige tilstand, og derefter anbefale behandlingsmetoder. 

Den nye AI-ramme blev fundet succesfuld i at forudsige, hvordan elektriske signaler transmitteres gennem hver unik hjerteform med høj nøjagtighed uden at skulle udføre dyre numeriske simulationer.

Trayanova, direktøren for Johns Hopkins Alliance for Cardiovascular Diagnostic and Treatment Innovation, anvender datadrevne tilgange, beregningsmodeller og innovationer inden for hjertebilleddannelse for at diagnosticere og behandle kardiovaskulære sygdomme. De introducerer løbende ny teknologi i klinikken.  

Dog bemærkede hun, at deres løsninger stadig er for langsomme, da det tager omkring en uge at scanne en patients hjerte og løse PDE for at forudsige, om patienten har høj risiko for pludselig hjertedød, og derefter levere den bedste behandlingsplan.

Men dette ser en monumental ændring med deres seneste model.

“Med denne nye AI-tilgang er hastigheden, hvormed vi kan få en løsning, utrolig.”

– Trayanova

Den tid, det tager at foretage forudsigelsen af en hjerte‑digital tvilling, er blevet reduceret fra flere timer til blot et halvt minut (30 sekunder). Det er ikke engang alt; beregningen kræver ikke engang en supercomputer. I stedet udføres den på en desktop‑computer, hvilket Trayanova sagde ville gøre det muligt at gøre det til en del af den daglige kliniske arbejdsproces.

Teknologiens alsidighed gør den perfekt til situationer, hvor løsning af partielle differentialligninger på nye former gentagne gange er påkrævet. 

“For hvert problem løser DIMON først de partielle differentialligninger på en enkelt form og kortlægger derefter løsningen til flere nye former. Denne form‑skiftende evne fremhæver dens enorme alsidighed. Vi er meget begejstrede for at anvende den på mange problemer samt at stille den til rådighed for det bredere samfund for at accelerere deres ingeniørdesignløsninger.”

– Minglang Yin, postdoc‑stipendiat ved Johns Hopkins Biomedical Engineering, som udviklede platformen

Virksomheder der Fremmer AI

Lad os nu se på virksomheder, der hjælper med at løfte den teknologiske AI-revolution til nye højder. 

1. NVIDIA Corporation (NVDA )

En førende leverandør af GPU’er, Nvidia er verdens andenstørste virksomhed, med en markedsværdi på 3,28 billioner dollars. På tidspunktet for skrivning handles aktierne til 133,91 $, en stigning på imponerende 171,9 % år‑til‑dato (YTD), mens EPS (TTM) er 2,54, P/E (TTM) er 52,90, og ROE (TTM) er 127,21 % samt en udbytteafkast på 0,03 %.

Virksomhedens hardware- og softwareløsninger er afgørende for dyb‑læringsapplikationer og ingeniørsimulationer og spiller en vigtig rolle i at fremme AI-revolutionen.

Drevet af AI‑mani rapporterede Nvidia en omsætning på over 35 milliarder dollars for Q3, der sluttede den 27. oktober 2024, hvilket er en stigning på 17 % fra foregående kvartal og en massiv stigning på 94 % fra året før.

“AI‑alderen er i fuld gang og driver et globalt skifte til NVIDIA-computing,” sagde CEO og grundlægger Jensen Huang, som yderligere bemærkede, at AI ikke kun transformerer virksomheder og industrier, men også lande, der “er vågnet op for vigtigheden af at udvikle deres nationale AI og infrastruktur”.

2. Microsoft Corporation (MSFT )  

Med en markedsværdi på 3,32 billioner dollars placerer Microsoft sig blandt verdens top‑tre virksomheder efter markedsværdi. Aktierne handles på 447,24 $ på tidspunktet for skrivning, hvilket repræsenterer en stigning på næsten 19 % YTD. Dette giver virksomhedens EPS (TTM) på 12,11, P/E (TTM) på 36,92 og ROE (TTM) på 35,60 %. Udbytteafkastet, som Microsoft betaler, er derimod 0,74 %.

Microsofts største engagement i AI er gennem OpenAI, hvor de har investeret mere end 13 milliarder dollars. Ud over deres partnerskab med OpenAI, som for nylig blev vurderet til 150 milliarder dollars, er Microsoft også kraftigt investeret i AI‑forskning, cloud‑løsninger og applikationer til ingeniør- og videnskabelig beregning.

For perioden mellem juli og september rapporterede virksomheden 65,6 milliarder dollars i salg, en stigning på 16 % fra året før, mens overskuddet steg 11 % til 24,7 milliarder dollars. Denne vækst blev drevet af efterspørgslen, som fortsat “er højere end vores tilgængelige kapacitet,” ifølge Microsofts finanschef.

3. ANSYS, Inc.

Denne virksomhed specialiserer sig i ingeniørsimuleringssoftware til at løse komplekse problemer. Virksomhedens tjenester bruges af studerende, forskere, designere og ingeniører, og den integrerer i stigende grad AI for at forbedre effektiviteten.

Med en markedsværdi på 29,75 milliarder dollars handles Ansys-aktierne i øjeblikket til 339,51 $, et fald på 6,24 % i år. Dette giver virksomhedens EPS (TTM) på 6,47, P/E (TTM) på 52,55 og ROE (TTM) på 10,48 %.

For 3Q24 rapporterede Ansys 601,9 millioner dollars i omsætning, en stigning på 31 % fra tredje kvartal sidste år, mens deres årlige kontraktværdi (ACV) var 540,5 millioner dollars. GAAP-driftmarginen blev rapporteret til 26,8 %, mens den non‑GAAP-driftmargin var 45,8 %. Driftskontantstrømmen for perioden var 174,2 millioner dollars, mens udskudt omsætning og backlog var 1.463,8 millioner dollars.

Konklusion 

AI udvikler sig i et hurtigt tempo, og introduktionen af nye AI-rammer som DIMON markerer et revolutionært skridt i at løse komplekse ingeniørproblemer, samtidig med at den drastisk reducerer den tid og de beregningsomkostninger, der er forbundet med dem. På denne måde accelererer gennembruddet ikke kun ingeniørdesignprocesserne, men udvider også AI’s anvendelse på tværs af forskellige felter.

Efterhånden som forskere, sammen med virksomheder som Nvidia, fortsætter med at gøre store opdagelser, bygge kraftfulde modeller og fremme teknologier, vokser potentialet for at integrere AI i daglige arbejdsprocesser eksponentielt, hvilket peger på en ny æra, hvor AI driver hidtil uset effektivitet og innovation!

Klik her for at lære alt om investering i kunstig intelligens.