Mullistava tekniikka: tekoälyn uusi rooli monimutkaisten yhtälöiden ratkaisemisessa supertietokoneita nopeammin

Supertietokoneet tunnetaan korkeasta suorituskyvystään, jonka ansiosta ne voivat ratkaista monimutkaisia ​​laskennallisia ongelmia. Maailman nopeimmat tietokoneet, nämä koneet voivat käsitellä valtavia tietojoukkoja ja suorittaa monimutkaisia ​​laskelmia suurilla nopeuksilla, ja ne pystyvät ratkaisemaan jopa yhden kvintiljoonan laskutoimituksen sekunnissa.

Mielenkiintoista on, että juuri tällä viikolla teknologiajätti Google paljastettiin sen seuraavan sukupolven siru nimeltä 'Willow', joka toimii suprajohtavien kubitien avulla ja pystyy ratkaisemaan monimutkaisen matemaattisen ongelman vain viidessä minuutissa vähentäen samalla virheitä eksponentiaalisesti. 

Huolimatta vaikuttavasta suorituskyvystään kvanttisiru on ei lähelläkään hajoamista moderni kryptografia.

Kaiken tämän keskellä uusi tekoäly (AI) pystyy ratkaisemaan monimutkaisia ​​teknisiä ongelmia jopa supertietokoneita nopeammin. Uusi teknologinen ratkaisu tulee Johns Hopkinsin tutkijoilta, jotka voivat olla pelin vaihtajia suunnittelutilassa.

Tekoälyn uusi aikakausi 

Oltuaan kuuma aihe vuosia, tekoäly on vihdoin alkanut hyödyntää mielekkäästi keskeisillä toimialoilla. Sen valtava potentiaali parantaa tehokkuutta ja tuottavuutta on markkinansa yli 184 miljardia dollaria tänä vuonna ja is ennustetaan että kasvattaa tuloja yli 15 biljoonalla dollarilla tämän vuosikymmenen loppuun mennessä. 

Tuoreen raportin mukaan 68 % organisaatioista joko käyttää aktiivisesti Gen AI:ta tai ovat kehittäneet etenemissuunnitelmia onnistuneiden pilottitoteutusten jälkeen. 

Kuten tekoäly jatkaa muuttaa eri toimialoja, erityisesti tekniikan alalla, ihmiset kohtaavat nyt vanhentumisen haasteen. Arvioiden mukaan seuraavan vuosikymmenen aikana jopa 40 % suunnittelutehtävistä saattaa automatisoitua.

Ymmärtääksemme tekoälyn vaikutusta maailmaan meidän on ensin ymmärrettävä, että tekoäly on yksinkertaisesti teknologia, jonka avulla koneet ja tietokoneet voivat simuloida ihmisen ajattelua, oppimista, ymmärtämistä, ongelmanratkaisua, päätöksentekoa ja luovuutta. 

Tekoälyn alla on koneoppimista, joka sisältää algoritmin koulutuksen luomaan malleja, jotka hyödyntävät dataa päätösten ja ennusteiden tekemiseen. 

Koneoppimisalgoritmeja tai -tekniikoita on erilaisia, ja keinotekoiset neuroverkot ovat yksi suosituimmista tyypeistä. Nämä verkostot on mallinnettu ihmisaivojen rakenteen ja toiminnan mukaan. 

Deep learning, koneoppimisen osajoukko, käyttää monikerroksisia hermoverkkoja, jotka ovat entistä tehokkaampia simuloimaan ihmisaivojen monimutkaista päätöksentekokykyä. Nämä verkot oppivat tiedosta ja niitä käytetään ratkaisemaan erilaisia ​​ongelmia kuvan- ja puheentunnistuksesta luonnollisen kielen käsittelyyn. 

Deep Learning muuttaa täysin tapaa, jolla koneet ovat vuorovaikutuksessa monimutkaisten tietojen kanssa, ja ne voivat ylittää ihmistason suorituskyvyn ja saavuttaa korkean tarkkuuden.

Tekoälyn käyttäminen monimutkaisten ongelmien ratkaisemiseen 

Tekoäly tarjoaa lukuisia etuja, kuten toistuvien tehtävien automatisoinnin, vähemmän inhimillisiä virheitä, ympärivuorokautisen saatavuuden ja parannetun päätöksenteon, mikä on johtanut sen soveltamiseen kaikenlaisissa yrityksissä eri toimialoilla.

Teknologian kyky analysoida tehokkaasti valtavia määriä dataa, tunnistaa ihmisiltä mahdollisesti huomaamatta jääneitä kaavoja ja lopulta suorittaa nopeita laskelmia tekee tekoälystä... loistava työkalu monimutkaisten ongelmien ratkaisemiseen. Kun käsitellään suuria tietojoukkoja ja monimutkaisia ​​päätöksentekoskenaarioita, jotka vievät aikaa tai joita ihmisten olisi mahdotonta käsitellä yksin, tekoäly voi olla erittäin hyödyllinen.

Tästä syystä yhä enemmän keskittyä tekoälyn hyödyntämiseen monimutkaisten ongelmien ratkaisemisessa. Vuosi sitten tutkijat MIT:stä ja ETH Zürichistä käytti koneoppimista optimointiongelman ratkaisemiseen lomapakettien tehokkaan reitityksen FedExin kaltaisille yrityksille.

Nämä yritykset käyttävät ohjelmistoa nimeltä mix-integer linear programming (MILP) -ratkaisija, joka jakaa ongelman pienempiin osiin ja käyttää yleisiä algoritmeja löytääkseen parhaan ratkaisun, mikä voi viedä tunteja ja jopa päiviä.

Tässä keskeinen osa, joka hidastaa koko prosessia, on se, että MILP-ratkaisijoilla on liikaa potentiaalisia ratkaisuja. Tutkijat käyttivät suodatusmekanismia tämän vaiheen yksinkertaistamiseksi, mikä nopeutti MILP-ratkaisijoita 30-70 % vaikuttamatta tarkkuuteen. Tätä varten tekniikka nojautui marginaalituoton pienenemisen periaatteeseen ja sitten käytetty koneoppiminen, joka on koulutettu ongelmakohtaisella tietojoukolla, löytääkseen optimaalisen ratkaisun pienemmästä vaihtoehdoista.

Juuri aiemmin tässä kuussa lontoolainen startup, PhysicsX, esitteli suuren geometrian mallin nimeltä LGM-Aero ilmailu- ja avaruustekniikkaan. Geometria ja fysiikan malli on odotettua auttaakseen merkittävästi lyhentämään lentokonekonseptien kehitysaikaa. Yritys on julkaissut LGM-Aeron pohjalta rakennetun referenssisovelluksen ('Ai.rplane') esittelemään mallinsa ominaisuuksia lentokoneiden suunnittelussa ja lentokoneiden suorituskykyyn liittyvien fysiikkojen ennustamisessa. 

Malli on koulutettu Amazon Web Services (AWS) -pilvilaskenta käyttää yli 25 miljoonaa eri muotoa, jotka edustavat yli 10 miljardia kärkeä. Sen koulutusdata sisältää myös kokoelman laskennallisia virtausdynamiikan (CFD) ja äärelliselementtianalyysin (FEA) simulaatioita, jotka on luotu yhteistyössä Siemensin kanssa. 

Aivan kuten LLM:t ymmärtävät tekstiä, LGM:llä on laaja tietämys ilmailu- ja avaruustekniikan kannalta tärkeistä muodoista ja rakenteista, ja sellaisenaan se "voi optimoida useiden erityyppisten fysiikan sekunneissa, useita suuruusluokkia nopeammin kuin numeerinen simulointi, ja samalla tarkkuustasolla", sanoi toimitusjohtaja Jacomo Corbo.

Tänä vuonna OpenAI, Microsoftin tukema AI-tutkimusyritys ChatGPT:n takana, julkisti myös uusimmat mallinsa, o1-preview- ja o1-mini, väittäen merkittävän harppauksen suurten kielimallien (LLM) päättelykyvyssä. 

Mallissa on kyky käyttää "ajatteluketjun päättelyä", joka on samanlainen kuin mitä ihmiset tekevät ratkaiseessaan ongelmaa, mikä tarkoittaa monimutkaisten asioiden jakamista pieniin, hallittavissa oleviin tehtäviin. Ihmisen kaltaisen päättelyn soveltaminen LLM:issä on havaittu aiemmin myös Google Researchilta ja muilta. 

Uusi tekoälymalli PDE:iden ratkaisemiseen

Tekoälyn käytön ja suosion kasvaessa myös sen ominaisuudet kasvavat tutkijoiden ja yritysten työskennellessä teknologian parantamiseksi ja tarkkuuden parantamiseksi. 

uusin AI-kehys Johns Hopkinsin tutkijat käyttävät yleistä lähestymistapaa ennustaakseen ratkaisuja aikaa vieviin ja yleisiin matemaattisiin yhtälöihin. Osittaiset differentiaaliyhtälöt (PDE:t) ovat laaja-alainen tehtävä tekniikan ja lääketieteen tutkimuksen alalla. 

Näiden yhtälöiden ratkaisemiseen liittyvät laskentakustannukset voivat kuitenkin olla kohtuuttoman korkeita. Myös näiden massiivisten matemaattisten ongelmien ratkaiseminen vaatii yleensä supertietokoneita, mutta ei enää. 

Uusi tekoälykehys antaa jopa henkilökohtaisille tietokoneille mahdollisuuden käsitellä näitä osittaisia ​​differentiaaliyhtälöitä, joita tutkijat käyttävät muuntaakseen reaalimaailman prosesseja tai järjestelmiä matemaattisiksi esityksiksi siitä, kuinka esineet muuttuvat ajan ja tilan myötä.

Tämä ei ole ensimmäinen kerta, kun tekoälymallia on ehdotettu osittaisdifferentiaaliyhtälöiden ratkaisemiseksi; itse asiassa, sen idea jaettiin ensin muutama vuosikymmen sitten. Tieteellisen koneoppimisen nousevalla alalla osittaisdifferentiaaliyhtälöiden ratkaiseminen hermoverkkojen avulla on saanut paljon huomiota kuluneen vuosikymmenen aikana kaikkien syvien hermoverkkojen koulutuksen laskennallisen kyvyn edistymisen ansiosta. 

Huolimatta PDE-ratkaisuoperaattorin oppimiseen tekoälyä käyttävän neurooperaattorin menestyksestä, viimeisimmässä tutkimuksessa havaittiin, että laskennallisia pullonkauloja on edelleen optimointi- ja ennustamistehtävissä. Tämä johtuu neurooperaattoreiden kyvyttömyydestä arvioida osittaisdifferentiaaliyhtälöiden ratkaisuja, jotka ovat riippuvaisia ​​geometriasta.

Tällä hetkellä suurin osa neurooperaattorikehyksistä, kuten tutkimuksessa todettiin, on kehitetty toimialueelle, jolla on kiinteät rajat. Myös muotovaihteluiden saaminen edellyttää hermoverkon uudelleenkoulutusta. 

Näiden laskennallisten haasteiden ratkaisemiseksi tutkijat ehdottivat Diffeomorphic Mapping Operator Learning -tekniikkaa. Tätä varten he yhdistivät hermooperaattoreita diffeomorfisiin kartoituksiin alueiden ja muotojen välillä. 

Malli poistaa tarpeen laskea ruudukot uudelleen jokaisen lomakkeen muutoksen yhteydessä. Tällä tavalla DIMON voi nopeuttaa simulaatioita ja optimoida suunnitelmia ennustamalla, kuinka fyysiset elementit, kuten liike, jännitys ja lämpö käyttäytyvät eri muodoissa sen sijaan, että hajottaisi monimutkaisia ​​muotoja pieniksi elementeiksi.

Yleensä näiden yhtälöiden ratkaisemiseen kuuluu monimutkaisten muotojen, kuten ihmiselinten tai lentokoneen siipien, murtaminen pienistä elementeistä tehdyiksi ruudukoiksi tai verkoiksi. Ongelma ratkaistaan ​​sitten jokaisessa yksinkertaisessa kappaleessa ennen kuin se yhdistetään uudelleen. 

Jos nämä muodot kuitenkin muuttuvat törmäyksen tai muodonmuutoksen vuoksi, ruudukot on päivitettävä. Tämä tarkoittaa, että myös ratkaisut on laskettava uudelleen, mikä tekee koko laskentaprosessista paitsi kalliin, myös hitaan. 

DIMON käyttää tässä tekoälyä ymmärtääkseen, miten fyysiset järjestelmät toimivat erilaisten muotojen kanssa. Tutkijoiden ei siis tarvitse jakaa muotoja ruudukoihin ja ratkaista yhtälöitä yhä uudelleen; sen sijaan tekoäly hyödyntää oppimiaan malleja ennustaakseen, miten eri tekijät käyttäytyvät, mikä tekee muotokohtaisten skenaarioiden mallintamisesta ja suunnittelun optimoinnista tehokkaampaa ja nopeampaa.

Johns Hopkinsin yliopiston biolääketieteen ja lääketieteen professorin Natalia Trayanovan mukaan:

”Vaikka motivaatio kehittää sitä tuli meiltä oma "työtä, tämä on ratkaisu, jolla uskomme olevan yleisesti ottaen valtava vaikutus eri tekniikan aloihin, koska se on hyvin geneerinen ja skaalautuva."

Suunnittelun käännekohta

Uusi tekoälykehys tarjoaa lähestymistavan, joka mahdollistaa PDE-ratkaisujen nopean ennustamisen useilla aloilla. Lisäksi se helpottaa monia tekoälyä käyttäviä sovelluksia. 

Puhuessaan mallin ominaisuuksista Trayanova huomautti, että DIMON voi pohjimmiltaan työskennellä minkä tahansa ongelman parissa millä tahansa tieteen tai tekniikan alalla ratkaistakseen osittaisdifferentiaaliyhtälön useilla geometrioilla. 

Tämä sisältää törmäystestauksen, analysoimalla avaruusalusten reagointia äärimmäisiin ympäristöihin, arvioimalla, kuinka sillat vastustavat rasitusta, tutkimalla, kuinka nesteet etenevät eri geometrioiden läpi, tekemässä ortopedista tutkimusta ja käsittelemään muita monimutkaisia ​​ongelmia, joissa materiaalit ja muodot muuttuvat. Kaikkien näiden skenaarioiden mallintaminen voidaan nyt tehdä paljon nopeammin kiitos uuteen tekoälykehykseen.

Osoittaakseen uuden mallin soveltuvuuden muunlaisten teknisten ongelmien ratkaisemiseen tiimi testasi DIMONia yli 1,000 sydämen "digitaalisella kaksosella". Nämä digitaaliset kaksoset ovat erittäin yksityiskohtaisia ​​tietokonemalleja todellisten potilaiden sydämestä.

Sydämen rytmihäiriöitä tutkitaan ratkaisemalla osittaisia ​​differentiaaliyhtälöitä. Sairaus aiheuttaa sydämen epäsäännöllistä lyöntiä sähköimpulssin väärinkäytön vuoksi. Digitaalisten sydänten kaksosten avulla tutkijat voivat määrittää, voivatko potilaat saada tämän usein kohtalokkaan tilan, ja sitten suositella tapoja sen hoitoon. 

Uusi tekoälykehys löytyi onnistunut ennustamaan, kuinka sähköiset signaalit kulkevat jokaisen ainutlaatuisen sydämen muodon läpi suurella tarkkuudella ilman, että tarvitsee edes suorittaa kalliita numeerisia simulaatioita.

Trayanova, Johns Hopkins Alliance for Cardiovascular Diagnostic and Treatment Innovation -järjestön johtaja, soveltaa datalähtöisiä lähestymistapoja, laskennallista mallintamista ja innovaatioita sydämen kuvantamisessa sydän- ja verisuonitautien diagnosointiin ja hoitoon. He tuovat jatkuvasti uutta teknologiaa klinikalle.  

Hän kuitenkin huomautti, että heidän ratkaisunsa ovat edelleen liian hitaita, koska kestää noin viikko potilaan sydämen skannaamiseen ja PDE:n ratkaisemiseen ennustaakseen, onko potilaalla suuri riski äkilliseen sydänkuolemaan, ja tarjota sitten paras hoitosuunnitelma.

Mutta tämä näkee valtavan muutoksen heidän uusimmassa mallissaan.

"Tämän uuden AI-lähestymistavan ansiosta ratkaisun nopeus on uskomaton."

– Trayanova

Aika, joka kestää tehdä ennuste Sydämen digitaalisen kaksosen laskemiseen kuluva aika on lyhentynyt useista tunneista vain puoleen minuuttiin (30 sekuntiin). Eikä tässä vielä kaikki; tämän laskeminen ei vaadi edes supertietokonetta. Sen sijaan kaikki tehdään pöytätietokoneella, minkä Trayanovan mukaan he "voisivat tehdä siitä osan päivittäistä kliinistä työnkulkua".

Teknologian monipuolisuus tekee siitä täydellisen tilanteisiin, joissa osittaisten differentiaaliyhtälöiden ratkaisemista uusiin muotoihin tarvitaan toistuvasti. 

"Jokaisessa tehtävässä DIMON ratkaisee ensin osittaisdifferentiaaliyhtälöt yhdelle muodolle ja kartoittaa sitten ratkaisun useisiin uusiin muotoihin. Tämä muotoa muuttava kyky korostaa sen valtavaa monipuolisuutta. Olemme erittäin innoissamme voidessamme laittaa sen toimimaan monissa ongelmissa sekä tarjota sitä laajemmalle yhteisölle nopeuttaaksemme heidän suunnitteluratkaisujaan."

– Minglang Yin, postdoc-stipendiaatti Johns Hopkins Biomedical Engineeringistä, joka kehitti alustan

Tekoälyä edistävät yritykset

Katsotaanpa nyt yrityksiä, jotka auttavat viemään tekoälyn teknologisen vallankumouksen uusiin korkeuksiin. 

1. NVIDIA Corporation (NVDA )

Nvidia on johtava näytönohjainten toimittaja, maailman toiseksi suurin yritys, jonka markkina-arvo on 3.28 biljoonaa dollaria. Kirjoitushetkellä sen osakkeiden kauppahinta on 133.91 dollaria, mikä on huimat 171.9 % enemmän kuin vuosi sitten (YTD) samalla kun EPS (TTM) on 2.54, P/E (TTM) 52.90 ja ROE ( TTM) 127.21 % maksamalla osinkotuottoa 0.03 %.

Yrityksen laitteisto- ja ohjelmistoratkaisut ovat ratkaisevan tärkeitä syväoppimissovelluksille ja teknisille simulaatioille, ja niillä on tärkeä rooli tekoälyvallankumouksen edistämisessä.

Ajaa AI-mania, Nvidia raportoitu yli 35 miljardin dollarin liikevaihto kolmannella vuosineljänneksellä päättyi 3. lokakuuta 27, mikä on 2024 % kasvua edellisestä neljänneksestä ja valtava 17 % enemmän kuin vuotta aiemmin.

"Tekoälyn aikakausi on täydessä vauhdissa, mikä edistää maailmanlaajuista muutosta NVIDIA-laskentaan", sanoi toimitusjohtaja ja perustaja Jensen Huang, joka totesi lisäksi, että tekoäly ei muuta vain yrityksiä ja toimialoja, vaan myös maita, jotka ovat "heränneet kehityksen tärkeydestä". kansallinen tekoäly ja infrastruktuuri."

2. Microsoft Corporation (MSFT )  

Microsoftin markkina-arvo on 3.32 biljoonaa dollaria, ja se on markkina-arvoltaan maailman kolmen suurimman yrityksen joukossa. Kirjoitushetkellä sen osakkeiden hinta on 447.24 dollaria, mikä on lähes 19 prosentin nousu vuoden alusta. Tämä asettaa yhtiön osakekohtaiseksi tulokseksi (TTM) 12.11, P/E-luvuksi (TTM) 36.92 ja oman pääoman tuotoksi (TTM) 35.60 %. Microsoftin maksama osinkotuotto on puolestaan ​​0.74 %.

Microsoftin suurin panos tekoälyyn on OpenAI:n kautta, johon se on sijoittanut yli 13 miljardia dollaria. OpenAI-kumppanuutensa lisäksi, joka arvostettiin äskettäin 150 miljardilla dollarilla Microsoft on myös investoinut voimakkaasti tekoälytutkimukseen, pilviratkaisuihin sekä tekniikan ja tieteellisen laskennan sovelluksiin.

Heinä-syyskuun ajalta yritys raportoitu Myynti oli 65.6 miljardia dollaria, mikä on 16 % enemmän kuin vuotta aiemmin, ja voitot nousivat 11 % 24.7 miljardiin dollariin. Kasvua vauhditti kysyntä, joka pysyi "korkeampana kuin käytettävissä oleva kapasiteettimme", Microsoftin talousjohtajan mukaan.

3. ANSYS, Inc. (ANSS )

Tämä on erikoistunut tekniseen simulointiohjelmistoon monimutkaisten ongelmien ratkaisemiseksi. Yritys, jonka palvelut käytetään Opiskelijat, tutkijat, suunnittelijat ja insinöörit integroivat myös tekoälyä yhä enemmän tehokkuuden parantamiseksi.

Ansysin osakkeiden markkina-arvo on 29.75 miljardia dollaria ja tällä hetkellä 339.51 dollaria, mikä on 6.24 % laskua tänä vuonna. Tämä Yhtiön osakekohtainen tulos (TTM) on 6.47, P/E (TTM) 52.55 ja oman pääoman tuotto (TTM) 10.48 %. 

3Q24:lle, Ansys raportoitu 601.9 miljoonan dollarin liikevaihto, 31 % enemmän kuin viime vuoden kolmannella neljänneksellä, kun sen vuotuinen sopimusarvo (ACV) oli 540.5 miljoonaa dollaria. GAAP-liikevoittomarginaaliksi ilmoitettiin 26.8 %, kun taas ei-GAAP-liikevoittomarginaaliksi 45.8 %. Kauden liiketoiminnan kassavirta oli 174.2 miljoonaa dollaria, kun sen laskennallinen liikevaihto ja tilauskanta olivat 1,463.8 XNUMX miljoonaa dollaria.

Yhteenveto 

Tekoäly kehittyy nopeasti, ja uusien tekoälykehysten, kuten DIMONin, käyttöönotto on mullistava askel monimutkaisten teknisten ongelmien ratkaisemisessa samalla, kun niihin liittyvää aikaa ja laskentakustannuksia vähennetään merkittävästi. Tällä tavoin läpimurto ei ainoastaan ​​nopeuta suunnitteluprosesseja, vaan myös laajentaa tekoälyn sovelluksia eri aloille.

Kun tutkijat yhdessä Nvidian kaltaisten yritysten kanssa jatkavat suurten löytöjen tekemistä, tehokkaiden mallien rakentamista ja teknologioiden kehittämistä, mahdollisuudet integroida tekoäly jokapäiväisiin työnkulkuihin kasvavat eksponentiaalisesti, mikä viittaa uuteen aikakauteen, jossa tekoäly edistää ennennäkemätöntä tehokkuutta ja innovaatioita!

Napsauta tätä saadaksesi lisätietoja tekoälyyn sijoittamisesta.