Revolutionierung der Ingenieurwissenschaften: Die neue Rolle von KI bei der Lösung komplexer Gleichungen schneller als Supercomputer

Supercomputer sind für ihre hohe Leistung bekannt, die es ihnen ermöglicht, komplexe Rechenaufgaben zu lösen. Die schnellsten Computer der Welt können massive Datensätze verarbeiten und komplexe Berechnungen mit hoher Geschwindigkeit durchführen, wodurch sie in der Lage sind, bis zu eine Quintillion Berechnungen pro Sekunde durchzuführen.

Interessanterweise hat der Technologiekonzern Google erst diese Woche seinen nächsten Chip namens “Willow” vorgestellt, der mit supraleitenden Qubits arbeitet und in der Lage ist, ein komplexes mathematisches Problem in nur fünf Minuten zu lösen, während er gleichzeitig die Fehler exponentiell reduziert.

Trotz seiner beeindruckenden Leistung ist der Quantenchip jedoch noch nicht in der Lage, moderne Kryptographie zu brechen.

Inmitten all dessen kommt eine neue künstliche Intelligenz (KI) mit der Fähigkeit, komplexe Ingenieurprobleme sogar schneller zu lösen als Supercomputer. Die neue technologische Lösung stammt von Forschern der Johns Hopkins University, die einen bedeutenden Einfluss auf den Ingenieursbereich haben könnten.

Das neue Zeitalter der KI

Nachdem KI jahrelang ein heißes Thema war, beginnt sie nun, sinnvoll in verschiedenen Branchen eingesetzt zu werden. Ihr enormes Potenzial, Effizienz und Produktivität zu steigern, hat ihren Markt auf über 184 Milliarden Dollar in diesem Jahr anwachsen lassen und wird voraussichtlich bis zum Ende des Jahrzehnts um mehr als 15 Billionen Dollar steigen.

Ein kürzlich veröffentlichter Bericht ergab, dass 68 % der Organisationen entweder bereits Gen-KI einsetzen oder Roadmaps entwickelt haben, nachdem sie erfolgreiche Pilotprojekte durchgeführt haben.

Da KI verschiedene Branchen, insbesondere die Ingenieurslandschaft, transformiert, stehen Menschen nun vor der Herausforderung, veraltet zu werden. Schätzungen zufolge könnten in den nächsten zehn Jahren bis zu 40 % der Ingenieuraufgaben automatisiert werden.

Um den Einfluss von KI auf die Welt zu verstehen, müssen wir zunächst verstehen, dass KI einfach eine Technologie ist, die es Maschinen und Computern ermöglicht, menschliches Denken, Lernen, Verständnis, Problemlösung, Entscheidungsfindung und Kreativität zu simulieren.

Unter KI liegt maschinelles Lernen, das darin besteht, ein Algorithmus zu trainieren, um Modelle zu erstellen, die Daten verwenden, um Entscheidungen und Vorhersagen zu treffen.

Es gibt verschiedene Arten von maschinellen Lernalgorithmen oder -techniken, wobei künstliche neuronale Netze eine der beliebtesten Arten sind. Diese Netze sind nach der Struktur und Funktion des menschlichen Gehirns modelliert.

Tiefes Lernen, ein Teilbereich des maschinellen Lernens, verwendet mehrschichtige neuronale Netze, die noch effektiver darin sind, die komplexe Entscheidungsfindung des menschlichen Gehirns zu simulieren. Diese Netze lernen aus Daten und werden verwendet, um verschiedene Probleme zu lösen, von Bild- und Spracherkennung bis zur Verarbeitung von natürlicher Sprache.

Tiefes Lernen verändert vollständig die Art und Weise, wie Maschinen mit komplexen Daten interagieren, mit der Fähigkeit, menschliche Leistungen zu übertreffen und gleichzeitig hohe Genauigkeit zu erzielen.

Verwendung von KI zur Lösung komplexer Probleme

KI bietet zahlreiche Vorteile, wie die Automatisierung wiederkehrender Aufgaben, weniger menschliche Fehler, rund um die Uhr verfügbar und verbesserte Entscheidungsfindung, was zu ihrer Anwendung in allen Arten von Unternehmen across Branchen geführt hat.

Die Fähigkeit der Technologie, große Datenmengen effizient zu analysieren, Muster zu erkennen, die von Menschen möglicherweise übersehen wurden, und schließlich schnelle Berechnungen durchzuführen, macht KI zu einem großartigen Werkzeug für die Lösung komplexer Probleme. Wenn es um große Datensätze und komplexe Entscheidungsszenarien geht, die für Menschen zeitaufwändig oder unmöglich zu bearbeiten wären, kann KI sehr hilfreich sein.

Daher liegt der Fokus zunehmend auf der Verwendung von KI zur Lösung komplexer Probleme. Vor einem Jahr verwendeten Forscher von MIT und ETH Zürich maschinelles Lernen, um das Optimierungsproblem der effizienten Routenfindung von Weihnachtspaketen für Unternehmen wie FedEx zu lösen.

Diese Unternehmen verwenden Software namens Mixed-Integer-Linear-Programming-(MILP)-Solver, die das Problem in kleinere Teile aufteilt und generische Algorithmen verwendet, um die beste Lösung zu finden, was Stunden oder sogar Tage dauern kann.

Der Schlüssel, der den gesamten Prozess verlangsamt, ist, dass MILP-Solver zu viele potenzielle Lösungen haben. Die Forscher verwendeten einen Filtermechanismus, um diesen Schritt zu vereinfachen, was die MILP-Solver um 30-70 % beschleunigte, ohne die Genauigkeit zu beeinträchtigen. Für diese Technik wurde das Prinzip der abnehmenden Grenzerträge verwendet und dann maschinelles Lernen eingesetzt, das mit einem für das Problem spezifischen Datensatz trainiert wurde, um die optimale Lösung aus den reduzierten Optionen zu finden.

Erst vor kurzem stellte ein in London ansässiges Startup namens PhysicsX ein großes Geometriemodell namens LGM-Aero für die Luft- und Raumfahrttechnik vor. Das Geometrie- und Physikmodell soll die Konzeptentwicklungszeit für Flugzeuge erheblich reduzieren. Das Unternehmen hat eine Referenzanwendung (“Ai.rplane”) auf Basis von LGM-Aero öffentlich zugänglich gemacht, um die Fähigkeiten des Modells bei der Generierung von Flugzeugdesigns und der Vorhersage der Physik im Zusammenhang mit der Flugzeugleistung zu demonstrieren.

Das Modell wurde auf Amazon Web Services (AWS) Cloud Compute mit über 25 Millionen verschiedenen Formen trainiert, die über 10 Milliarden Vertices darstellen. Die Trainingsdaten umfassen auch eine Sammlung von Computational-Fluid-Dynamics-(CFD)- und Finite-Element-Analyse-(FEA)-Simulationen, die in Zusammenarbeit mit Siemens erstellt wurden.

Ähnlich wie Large Language Models (LLMs) Text verstehen, verfügt LGM über umfassende Kenntnisse von Formen und Strukturen, die für die Luft- und Raumfahrttechnik wichtig sind, und kann daher “in Sekunden über mehrere Physiktypen optimieren, viele Größenordnungen schneller als numerische Simulationen und mit gleicher Genauigkeit”, so CEO Jacomo Corbo.

In diesem Jahr stellte OpenAI, das Microsoft-Unternehmen hinter ChatGPT, auch seine neuesten Modelle, o1-preview und o1-mini, vor und behauptete, einen bedeutenden Sprung in den Vernunftfähigkeiten von Large Language Models (LLMs) gemacht zu haben.

Das Modell verfügt über die Fähigkeit, “chain-of-thought reasoning” zu verwenden, ähnlich wie Menschen, wenn sie ein Problem lösen, was das Aufteilen komplexer Dinge in kleine, handhabbare Aufgaben beinhaltet. Die Anwendung von menschlicher Argumentation in LLMs wurde zuvor von Google Research und anderen beobachtet.

Ein neues KI-Modell zur Lösung von PDEs

Da die Verwendung und Popularität von KI weiter wachsen, wachsen auch ihre Fähigkeiten, und Forscher sowie Unternehmen arbeiten daran, die Technologie besser und genauer zu machen.

Das neueste KI-Framework von Forschern der Johns Hopkins University geht einen generischen Ansatz, um Lösungen für zeitaufwändige und häufige mathematische Gleichungen vorherzusagen. Die partiellen Differentialgleichungen (PDEs) sind eine häufige Aufgabe im Bereich der Ingenieurwissenschaften und der medizinischen Forschung.

Die Rechenkosten, die mit der Lösung dieser Gleichungen verbunden sind, können jedoch prohibitiv hoch sein. Außerdem erfordert die Lösung dieser riesigen mathematischen Probleme in der Regel Supercomputer, aber nicht mehr.

Das neue KI-Framework ermöglicht es, sogar auf persönlichen Computern diese partiellen Differentialgleichungen zu lösen, die Wissenschaftler verwenden, um reale Prozesse oder Systeme in mathematische Darstellungen der Änderungen von Objekten über Zeit und Raum zu übersetzen.

Dies ist nicht das erste Mal, dass ein KI-Modell vorgeschlagen wurde, um PDEs zu lösen; tatsächlich wurde die Idee bereits vor einigen Jahrzehnten geteilt. Im aufkommenden Bereich des wissenschaftlichen maschinellen Lernens hat die Lösung von partiellen Differentialgleichungen mit neuronalen Netzen in den letzten zehn Jahren aufgrund aller Fortschritte in der Rechenfähigkeit für das Training von Deep-Learning-Netzwerken viel Aufmerksamkeit erhalten.

Trotz des Erfolgs des Neural-Operators, der KI verwendet, um den PDE-Lösungsoperator zu erlernen, stellte die aktuelle Forschung fest, dass Rechenbottlenecks weiterhin bestehen, wenn Aufgaben in Optimierung und Prognose durchgeführt werden.

Dies liegt daran, dass die Neural-Operatoren nicht in der Lage sind, PDE-Lösungen zu bewerten, die von der Geometrie abhängen.

Derzeit sind die meisten Neural-Operator-Frameworks, wie die Studie feststellte, auf einem Bereich mit festen Grenzen entwickelt worden. Außerdem erfordert die Änderung der Form die erneute Ausbildung des neuronalen Netzes.

Um diese Rechenherausforderungen zu bewältigen, schlugen die Forscher DIMON vor – Diffeomorphic Mapping Operator Learning. Dazu kombinierten sie Neural-Operatoren mit diffeomorphischen Abbildungen zwischen Bereichen und Formen.

Das Modell eliminiert die Notwendigkeit, bei jeder Formänderung die Gitter neu zu berechnen. Auf diese Weise kann DIMON Simulationen beschleunigen und Designs optimieren, indem es vorhersagt, wie physikalische Elemente wie Bewegung, Spannung und Wärme sich über verschiedene Formen verhalten, anstatt komplexe Formen in kleine Elemente aufzuteilen.

Im Allgemeinen beinhaltet die Lösung dieser Gleichungen das Aufteilen komplexer Formen, wie menschliche Organe oder Flugzeugflügel, in Gitter oder Netze, die aus kleinen Elementen bestehen. Das Problem wird dann auf jedem einfachen Teil gelöst, bevor es wieder kombiniert wird.

Wenn sich diese Formen jedoch aufgrund eines Unfalls oder einer Deformation ändern, müssen die Gitter aktualisiert werden.

Dies bedeutet, dass die Lösungen neu berechnet werden müssen, was den gesamten Rechenprozess nicht nur teuer, sondern auch langsam macht.

DIMON verwendet hier KI, um zu verstehen, wie physikalische Systeme mit verschiedenen Formen funktionieren. So müssen Forscher nicht die Formen in Gitter unterteilen und die Gleichungen immer wieder lösen; stattdessen verwendet die KI die gelernten Muster, um vorherzusagen, wie verschiedene Faktoren sich verhalten, was die Modellierung von formsspezifischen Szenarien und die Optimierung von Designs effizienter und schneller macht.

Laut Co-Lead Natalia Trayanova, Professorin für Biomedizinische Ingenieurwissenschaften und Medizin an der Johns Hopkins University:

“Während die Motivation, es zu entwickeln, aus unserer eigenen Arbeit stammt, ist dies eine Lösung, die wir glauben, dass sie einen massiven Einfluss auf verschiedene Ingenieursbereiche haben wird, da sie sehr generisch und skalierbar ist.”

Ein Wendepunkt für Ingenieursdesigns

Das neue KI-Framework bietet einen Ansatz, der es ermöglicht, PDE-Lösungen auf mehreren Bereichen schnell vorherzusagen. Darüber hinaus ermöglicht es viele nachgelagerte Anwendungen mit KI.

Trayanova erläuterte die Fähigkeiten des Modells und sagte, dass DIMON grundlegend auf jedes Problem in jedem Bereich der Wissenschaft oder des Ingenieurwesens angewendet werden kann, um PDE auf mehreren Geometrien zu lösen.

Dies umfasst Crashtests, die Analyse, wie Raumfahrzeuge auf extreme Umgebungen reagieren, die Bewertung, wie Brücken Spannungen standhalten, die Untersuchung, wie Flüssigkeiten durch verschiedene Geometrien strömen, Forschungen auf dem Gebiet der Orthopädie und die Lösung anderer komplexer Probleme, bei denen Materialien und Formen sich ändern.

Die Modellierung all dieser Szenarien kann nun dank des neuen KI-Frameworks viel schneller durchgeführt werden.

Um die Anwendbarkeit des neuen Modells bei der Lösung anderer Arten von Ingenieursproblemen zu demonstrieren, testete das Team DIMON auf über 1.000 “digitale Zwillinge” von Herzen.

Es ist durch die Lösung von partiellen Differentialgleichungen, dass das Herz-Kammer-Flimmern untersucht wird. Die Erkrankung verursacht ein unregelmäßiges Schlagen des Herzens aufgrund eines Fehlverhaltens des elektrischen Impulses.

Die digitalen Zwillinge von Herzen ermöglichen es Forschern, zu bestimmen, ob Patienten diese Erkrankung bekommen können, die oft tödlich ist, und dann Wege zur Behandlung vorzuschlagen.

Das neue KI-Framework wurde erfolgreich getestet und konnte mit hoher Genauigkeit vorhersagen, wie elektrische Signale durch jede eindeutige Herzform übertragen werden, ohne dass teure numerische Simulationen durchgeführt werden mussten.

Trayanova, die Direktorin der Johns Hopkins Alliance for Cardiovascular Diagnostic and Treatment Innovation, wendet datengetriebene Ansätze, computergestützte Modellierung und Innovationen in der Herzbildgebung an, um Herz-Kreislauf-Erkrankungen zu diagnostizieren und zu behandeln.

Sie führt ständig neue Technologien in die Klinik ein.

Sie stellte jedoch fest, dass ihre Lösungen immer noch zu langsam sind, da es etwa eine Woche dauert, das Herz eines Patienten zu scannen und PDE zu lösen, um vorherzusagen, ob der Patient ein hohes Risiko für plötzlichen Herztod hat, und dann den besten Behandlungsplan bereitzustellen.

Aber dies ändert sich nun mit ihrem neuesten Modell.

“Die Geschwindigkeit, mit der wir eine Lösung haben, ist unglaublich.”

– Trayanova

Die Zeit, die benötigt wird, um die Vorhersage eines digitalen Herz-Zwillinges zu treffen, wurde von mehreren Stunden auf nur eine halbe Minute (30 Sekunden) reduziert.

Dies geschieht nicht einmal auf einem Supercomputer, sondern auf einem Desktop-Computer, was Trayanova zufolge es ihnen ermöglichen würde, “es Teil des täglichen klinischen Arbeitsablaufs zu machen”.

Die Vielseitigkeit der Technologie macht sie ideal für Situationen, in denen die Lösung von partiellen Differentialgleichungen auf neuen Formen wiederholt erforderlich ist.

“Für jedes Problem löst DIMON zunächst die partiellen Differentialgleichungen auf einer einzigen Form und kartiert dann die Lösung auf mehrere neue Formen. Diese Fähigkeit, Formen zu ändern, unterstreicht seine enorme Vielseitigkeit. Wir sind sehr aufgeregt, es auf viele Probleme anzuwenden und es der breiteren Gemeinschaft zur Verfügung zu stellen, um ihre Ingenieursdesignlösungen zu beschleunigen.”

– Minglang Yin, Postdoc-Fellow am Johns Hopkins Biomedical Engineering, der die Plattform entwickelte

Unternehmen, die KI vorantreiben

Lassen Sie uns nun einen Blick auf Unternehmen werfen, die dazu beitragen, die technologische Revolution von KI auf neue Höhen zu heben.

1. NVIDIA Corporation (NVDA )

Als führender Anbieter von Grafikprozessoren ist NVIDIA das zweitgrößte Unternehmen der Welt, mit einem Marktwert von 3,28 Billionen Dollar. Zum Zeitpunkt des Schreibens werden seine Aktien bei 133,91 Dollar gehandelt, was einem Anstieg von 171,9 % im Vergleich zum Vorjahr entspricht, während sein EPS (TTM) bei 2,54, sein P/E (TTM) bei 52,90 und sein ROE (TTM) bei 127,21 % liegt, und er eine Dividendenrendite von 0,03 % zahlt.

Die Hardware- und Softwarelösungen des Unternehmens sind für Deep-Learning-Anwendungen und Ingenieursimulationen von entscheidender Bedeutung und spielen eine wichtige Rolle bei der Weiterentwicklung der KI-Revolution.

Getrieben von der KI-Manie vermeldete NVIDIA einen Umsatz von über 35 Milliarden Dollar für das dritte Quartal, das am 27. Oktober 2024 endete, was einem Anstieg von 17 % im Vergleich zum Vorquartal und einem massiven Anstieg von 94 % im Vergleich zum Vorjahr entspricht.

“Das Zeitalter der KI ist in vollem Gange und treibt einen globalen Wandel zu NVIDIA-Computing voran”, sagte CEO und Gründer Jensen Huang, der weiterhin betonte, dass KI nicht nur Unternehmen und Branchen, sondern auch Länder transformiere, die “sich der Bedeutung der Entwicklung ihrer nationalen KI und Infrastruktur bewusst sind”.

2. Microsoft Corporation (MSFT )

Mit einem Marktwert von 3,32 Billionen Dollar gehört Microsoft zu den drei größten Unternehmen der Welt. Seine Aktien werden zum Zeitpunkt des Schreibens bei 447,24 Dollar gehandelt, was einem Anstieg von fast 19 % im Vergleich zum Vorjahr entspricht.

Microsofts größte Beteiligung an KI ist über OpenAI, in die es mehr als 13 Milliarden Dollar investiert hat. Neben seiner Partnerschaft mit OpenAI, die vor kurzem auf 150 Milliarden Dollar bewertet wurde, investiert Microsoft auch stark in KI-Forschung, Cloud-Lösungen und Anwendungen für Ingenieur- und wissenschaftliches Rechnen.

Für den Zeitraum zwischen Juli und September vermeldete das Unternehmen 65,6 Milliarden Dollar Umsatz, was einem Anstieg von 16 % im Vergleich zum Vorjahr entspricht, während sein Gewinn um 11 % auf 24,7 Milliarden Dollar stieg.

3. ANSYS, Inc. (ANSS )

Dieses Unternehmen spezialisiert sich auf Ingenieurssoftware für die Simulation von komplexen Problemen. Die Dienstleistungen des Unternehmens, die von Studenten, Forschern, Designern und Ingenieuren verwendet werden, integrieren auch zunehmend KI, um die Effizienz zu steigern.

Mit einem Marktwert von 29,75 Milliarden Dollar werden die Aktien von Ansys zum Zeitpunkt des Schreibens bei 339,51 Dollar gehandelt, was einem Rückgang von 6,24 % im Vergleich zum Vorjahr entspricht.

Für das dritte Quartal 2024 vermeldete Ansys einen Umsatz von 601,9 Millionen Dollar, was einem Anstieg von 31 % im Vergleich zum dritten Quartal des Vorjahres entspricht, während sein Annual Contract Value (ACV) 540,5 Millionen Dollar betrug.

Fazit

KI entwickelt sich mit rasender Geschwindigkeit, und die Einführung neuer KI-Frameworks wie DIMON markiert einen revolutionären Schritt bei der Lösung komplexer Ingenieursprobleme, während die damit verbundenen Rechenkosten und -zeiten drastisch reduziert werden.

Auf diese Weise beschleunigt der Durchbruch nicht nur die Ingenieursdesignprozesse, sondern erweitert auch die Anwendung von KI auf verschiedene Bereiche.

Da Forscher und Unternehmen wie NVIDIA große Entdeckungen machen, leistungsstarke Modelle entwickeln und Technologien vorantreiben, wächst das Potenzial, KI in den täglichen Arbeitsabläufen zu integrieren, was auf eine neue Ära hindeutet, in der KI eine beispielloser Effizienz und Innovation vorantreibt.

Klicken Sie hier, um alles über Investitionen in künstliche Intelligenz zu erfahren.