Mullistamassa insinööritieteet: AI:n uusi rooli monimutkaisten yhtälöiden ratkaisemisessa nopeammin kuin supertietokoneet

Supertietokoneet tunnetaan korkeasta suorituskyvystään, jonka avulla ne pystyvät ratkaisemaan monimutkaisia laskennallisia ongelmia. Maailman nopeimmat tietokoneet, nämä laitteet voivat käsitellä valtavia tietoaineistoja ja suorittaa monimutkaisia laskelmia nopeilla nopeuksilla, kykenevät ratkaisemaan jopa yhden kvintillion laskentaa sekunnissa.

Mielenkiintoista on, että juuri tällä viikolla teknologiagigantti Google julkaisi seuraavan sukupolven sirun nimeltä ‘Willow’, joka toimii käyttämällä suprajohtavia kubitteja ja pystyy ratkaisemaan monimutkaisen matemaattisen ongelman vain viidessä minuutissa samalla kun virheitä vähennetään eksponentiaalisesti. 

Huolimatta vaikuttavasta suorituskyvystään, kvanttisiru on kaukakaan lähellä murtautumista nykyaikaiseen kryptografiaan.

Kaiken tämän keskellä uusi tekoäly (AI) tarjoaa kyvyn ratkaista monimutkaisia insinöörihaasteita vielä nopeammin kuin supertietokoneet. Tämä uusi teknologinen ratkaisu tulee Johns Hopkinsin tutkijoilta, jotka voivat olla pelin muuttajia insinöörialalla.

AI:n uusi aikakausi 

Vuodet pitkään kuumana keskustelunaiheena ollut AI on vihdoin alkanut tulla merkityksellisesti hyödynnetyksi keskeisillä toimialoilla. Sen valtava potentiaali tehostaa tehokkuutta ja tuottavuutta on saanut sen markkinan kasvamaan yli 184 miljardin dollarin tänä vuonna ja on ennustettu kasvamaan lisäämään liikevaihtoa yli 15 biljoonalla dollarilla tämän vuosikymmenen loppuun mennessä. 

Äskettäinen raportti havaitsi, että 68 % organisaatioista joko hyödyntää aktiivisesti generatiivista AI:ta tai on laatinut tiekarttoja onnistuneiden pilottihankkeiden jälkeen. 

Kun AI jatkaa erilaisten toimialojen muokkaamista, erityisesti insinööriympäristössä, ihmiset kohtaavat nyt haasteen vanhentua. Arviot viittaavat siihen, että seuraavan vuosikymmenen aikana jopa 40 % insinööritehtävistä voidaan automatisoida.

Ymmärtääksemme AI:n vaikutusta maailmaan, meidän on ensin ymmärrettävä, että AI on yksinkertaisesti teknologia, jonka avulla koneet ja tietokoneet voivat simuloida ihmisen ajattelua, oppimista, ymmärrystä, ongelmanratkaisua, päätöksentekoa ja luovuutta. 

AI:n alla on koneoppiminen, joka sisältää algoritmin kouluttamisen luomaan malleja, jotka hyödyntävät dataa päätösten ja ennusteiden tekemiseen. 

Koneoppimisen algoritmeja tai tekniikoita on erilaisia, ja tekoälyverkot (artificial neural networks) ovat yksi suosituimmista tyypeistä. Nämä verkot mallintavat ihmisaivojen rakennetta ja toimintaa. 

Syväoppiminen, koneoppimisen alalaji, käyttää monikerroksisia neuroverkkoja, jotka ovat entistä tehokkaampia simuloimaan ihmisaivojen monimutkaista päätöksentekokykyä. Nämä verkot oppivat datasta ja niitä käytetään ratkaisemaan erilaisia ongelmia, kuten kuvan- ja puheentunnistuksesta luonnollisen kielen käsittelyyn. 

Syväoppiminen muuttaa täysin tapaa, jolla koneet käsittelevät monimutkaista dataa, kyvyllä ylittää ihmistason suorituskyvyn samalla kun saavutetaan korkea tarkkuus.

AI:n käyttäminen monimutkaisten ongelmien ratkaisemiseen 

AI tarjoaa lukuisia etuja, kuten toistuvien tehtävien automaatiota, vähemmän inhimillisiä virheitä, 24/7 saatavuutta ja parannettua päätöksentekoa, mikä on johtanut sen soveltamiseen kaikentyyppisissä yrityksissä eri toimialoilla.

Teknologian kyky analysoida tehokkaasti valtavia määriä dataa, tunnistaa ihmisiltä mahdollisesti huomaamattomia kuvioita ja lopulta suorittaa nopeita laskelmia tekee AI:sta erinomaisen työkalun monimutkaisten ongelmien ratkaisemiseen. Kun käsitellään suuria tietoaineistoja ja monimutkaisia päätöksentekoskenaarioita, jotka olisivat ihmisille aikaa vieviä tai mahdottomia, AI voi olla äärimmäisen hyödyllinen.

Siksi AI:n hyödyntämiseen monimutkaisten ongelmien ratkaisemiseksi on kasvava painotus. Vuosi sitten MIT:n ja ETH Zürichin tutkijat käyttivät koneoppimista optimoimaan reititysongelman tehokkaasti lomapakettien kuljettamiseksi yrityksille kuten FedEx.

Nämä yritykset käyttävät ohjelmistoa, jota kutsutaan mixed-integer linear programming (MILP) -ratkaisijaksi, joka jakaa ongelman pienempiin osiin ja käyttää geneerisiä algoritmeja löytääkseen parhaan ratkaisun, mikä voi kestää tunteja tai jopa päiviä.

Tässä avainkohta, joka hidastaa koko prosessia, on se, että MILP-ratkaisijoilla on liian monta potentiaalista ratkaisua. Tutkijat käyttivät suodatusmekanismia yksinkertaistaakseen tätä vaihetta, mikä nopeutti MILP-ratkaisijoita 30–70 % vaikuttamatta tarkkuuteen. Tätä varten tekniikka perustui vähenevien marginaalituottojen periaatteeseen ja sitten käytti koneoppimista, joka oli koulutettu ongelmaan spesifisellä aineistolla, löytääkseen optimaalisen ratkaisun vähennetystä vaihtoehtojen määrästä.

Juuri tämän kuukauden alussa Lontoolainen startup, PhysicsX, esitteli suuren geometriamallin nimeltä LGM-Aero ilmailuinsinöörityöhön. Geometria- ja fysiikkamalli odotetaan auttavan merkittävästi lyhentämään lentokonseptien kehitysaikaa. Yritys on tehnyt viitemallin (‘Ai.rplane’) LGM-Aerolla julkisesti saataville esitelläkseen mallinsa kykyä luoda lentokonemalleja ja ennustaa lentokoneen suorituskykyyn liittyvää fysiikkaa. 

Malli on koulutettu Amazon Web Services (AWS) -pilvilaskennassa käyttäen yli 25 miljoonaa erilaista muotoa, jotka edustavat yli 10 miljardia verteksiä. Sen koulutusdata sisältää myös kokoelman laskennallisen virtausdynamiikan (CFD) ja elementtimenetelmän (FEA) simulaatioita, jotka on tuotettu yhteistyössä Siemensin kanssa. 

Samoin kuin LLM:t ymmärtävät tekstiä, LGM:llä on laaja tietämys muodoista ja rakenteista, jotka ovat tärkeitä ilmailuinsinöörityössä, ja siksi se “voi optimoida useiden fysiikkatyyppien välillä sekunneissa, moninkertaisesti nopeammin kuin numeerinen simulointi, ja samalla tarkkuustasolla”, sanoi toimitusjohtaja Jacomo Corbo.

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

Malli sisältää kyvyn käyttää “ketjupohjaista ajatteluprosessia”, samankaltaista kuin ihmiset tekevät ongelman ratkaisemisessa, mikä tarkoittaa monimutkaisten asioiden jakamista pieniin, hallittaviin tehtäviin. Ihmisen kaltaisen päättelyn soveltamista LLM:issä on aiemmin havaittu myös Google Researchin ja muiden toimesta.

Uusi AI-malli PDE:iden ratkaisemiseen

Kun AI:n käyttö ja suosio jatkavat kasvuaan, myös sen kyvyt kehittyvät, tutkijat ja yritykset työskentelevät teknologian parantamiseksi ja tarkkuuden lisäämiseksi. 

Uusin AI-kehys Johns Hopkinsin tutkijoilta käyttää geneeristä lähestymistapaa ennustamaan ratkaisuja aikaa vieviin ja yleisiin matemaattisiin yhtälöihin. Osittaisdifferentiaaliyhtälöt (PDE) ovat laajalle levinnyt tehtävä insinööri- ja lääketieteellisessä tutkimuksessa. 

Kuitenkin näiden yhtälöiden ratkaisemiseen liittyvät laskennalliset kustannukset voivat olla kohtuuttoman korkeat. Lisäksi näiden massiivisten matemaattisten ongelmien ratkaiseminen vaati yleensä supertietokoneita, mutta ei enää. 

Uusi AI-kehys mahdollistaa jopa henkilökohtaisten tietokoneiden käsitellä näitä osittaisdifferentiaaliyhtälöitä, joita tutkijat käyttävät kääntämään todelliset prosessit tai järjestelmät matemaattisiksi esityksiksi siitä, miten kohteet muuttuvat ajan ja avaruuden myötä.

Tämä ei ole ensimmäinen kerta, kun AI-malli on ehdotettu PDE:iden ratkaisemiseksi; itse asiassa sen idea esiteltiin muutama vuosikymmen sitten. Nousevalla tieteellisen koneoppimisen alalla osittaisdifferentiaaliyhtälöiden ratkaiseminen neuroverkkojen avulla on saanut paljon huomiota viimeisen vuosikymmenen aikana kiitos kaikki edistykset laskentakyvyssä syvien neuroverkkojen kouluttamiseen. 

Huolimatta neurooperaattorin menestyksestä, joka käyttää AI:ta oppimaan PDE-ratkaisun operaattorin, viimeisimmät tutkimukset huomauttivat, että laskennalliset pullonkaulat jatkuvat optimointi- ja ennustustehtävissä. Tämä johtuu neurooperaattorien kyvyttömyydestä arvioida geometriaan riippuvia PDE-ratkaisuja.

Tällä hetkellä suurin osa neurooperaattorikehityksistä, kuten tutkimus totesi, on kehitetty kiinteiden raja-alueiden ympärille. Lisäksi muodon vaihtelut vaativat neuroverkon uudelleenkoulutuksen. 

Joten näiden laskennallisten haasteiden ratkaisemiseksi tutkijat ehdottivat DIMONia — Diffeomorphic Mapping Operator Learning. Tähän he yhdistivät neurooperaattorit diffeomorfisiin kartoituksiin alueiden ja muotojen välillä. 

Malli poistaa tarpeen laskea ruudukot uudelleen jokaisen muodon muutoksen yhteydessä. Näin DIMON voi nopeuttaa simulaatioita ja optimoida suunnitelmia ennustamalla, miten fyysiset elementit kuten liike, stressi ja lämpö käyttäytyvät eri muodoissa sen sijaan, että monimutkaiset muodot hajotettaisiin pieniksi elementeiksi.

Yleensä näiden yhtälöiden ratkaiseminen sisältää monimutkaisten muotojen, kuten ihmisen elinten tai lentokoneen siipien, jakamisen ruudukkoihin tai verkkoihin, jotka koostuvat pienistä elementeistä. Ongelma ratkaistaan sitten jokaisella yksinkertaisella osalla ennen kuin ne yhdistetään uudelleen. 

Kuitenkin, jos nämä muodot muuttuvat onnettomuuden tai muodonmuutoksen seurauksena, ruudukot on päivitettävä. Tämä tarkoittaa, että ratkaisut on myös laskettava uudelleen, mikä tekee koko laskentaprosessista paitsi kalliin myös hitaan. 

DIMON käyttää AI:ta ymmärtämään, miten fysikaaliset järjestelmät toimivat eri muodoissa. Näin tutkijoiden ei tarvitse jakaa muotoja ruudukkoihin ja ratkaista yhtälöitä yhä uudelleen; sen sijaan AI hyödyntää oppimiaan kuvioita ennustaakseen, miten eri tekijät käyttäytyvät, mikä tekee muotoihin perustuvien skenaarioiden mallintamisesta ja suunnitelmien optimoinnista tehokkaampaa ja nopeampaa.

Kuten yhteisjohtaja Natalia Trayanova, biolääketieteellisen tekniikan ja lääketieteen professori Johns Hopkinsin yliopistossa:

“Vaikka motivaatio sen kehittämiseen tuli omastatyöstämme, tämä on ratkaisu, jonka uskomme vaikuttavan merkittävästi eri insinööritieteiden aloihin, koska se on erittäin geneerinen ja skaalautuva.”

Käännekohta insinöörisuunnittelussa

Uusi AI-kehys tarjoaa lähestymistavan, joka mahdollistaa nopean PDE-ratkaisujen ennustamisen useilla alueilla. Lisäksi se mahdollistaa monia alapuolisia sovelluksia AI:n avulla. 

Puhuttaessa mallin kyvyistä, Trayanova totesi, että DIMON voi periaatteessa toimia missä tahansa ongelmassa missä tahansa tieteen tai insinöörin alalla ratkaistakseen PDE:t useilla geometrioilla. 

Tämä sisältää törmäystestauksen, avaruusalusten reaktion äärimmäisiin ympäristöihin, siltojen stressinsietokyvyn arvioinnin, nesteiden leviämisen tutkimisen eri geometrioissa, ortopedisen tutkimuksen sekä muiden monimutkaisten ongelmien käsittelyn, joissa materiaalit ja muodot muuttuvat. Kaikkien näiden skenaarioiden mallintaminen voidaan nyt tehdä paljon nopeammin kiitos uuden AI-kehyksen.

Demonstroidakseen uuden mallin sovellettavuutta muiden insinööriongelmien ratkaisemiseen, tiimi testasi DIMONia yli 1 000 sydämen “digitaalisella kaksosella”. Nämä digitaaliset kaksoset ovat erittäin yksityiskohtaisia tietokonemalleja todellisten potilaiden sydämistä.

Sydänrytmin häiriöitä (kardiovaskulaarinen arytmia) tutkitaan ratkaisemalla osittaisdifferentiaaliyhtälöitä. Tämä tila aiheuttaa epäsäännöllistä sydämen lyöntiä sähköisen impulssin häiriön vuoksi. Sydämen digitaaliset kaksoset mahdollistavat tutkijoille selvittää, voivatko potilaat saada tämän usein kohtalokkaan tilan, ja sen jälkeen suositella hoitokeinoja. 

Uusi AI-kehys todettiin onnistuneeksi ennustamaan, miten sähköiset signaalit kulkevat jokaisen ainutlaatuisen sydämen muodon läpi korkealla tarkkuudella ilman, että tarvitsee suorittaa kalliita numeerisia simulaatioita.

Trayanova, Johns Hopkinsin Alliance for Cardiovascular Diagnostic and Treatment Innovation -ohjelman johtaja, soveltaa dataohjattuja lähestymistapoja, laskennallista mallintamista ja innovaatioita sydänkuvauksessa diagnosoidakseen ja hoitaakseen sydän- ja verisuonitauteja. He tuovat jatkuvasti uutta teknologiaa klinikkaan.  

Kuitenkin hän totesi, että heidän ratkaisunsa ovat edelleen liian hitaita, sillä niiden kestää noin viikko skannata potilaan sydän ja ratkaista PDE ennustaakseen, onko potilas suuressa riskissä äkilliseen sydänkuolemaan, ja sen jälkeen tarjota paras hoitosuunnitelma. 

Mutta heidän uusimman mallinsa tuo mukanaan merkittävän muutoksen.

“Tämän uuden AI-lähestymistavan avulla ratkaisun nopeus on uskomaton.”

– Trayanova

Aika, jonka sydämen digitaalisen kaksosen ennustamiseen on lyhentynyt useista tunneista vain puoleen minuuttiin (30 sekuntia). Tämä ei ole vielä kaikki; tämän laskeminen ei edes vaadi supertietokonetta. Sen sijaan kaikki tehdään työpöytätietokoneella, jonka Trayanova sanoi mahdollistavan niiden “sisällyttämisen päivittäiseen kliiniseen työnkulkuun”.

Teknologian monipuolisuus tekee siitä täydellisen tilanteisiin, joissa osittaisdifferentiaaliyhtälöiden ratkaiseminen uusilla muodoilla on toistuvasti tarpeen. 

“Jokaisessa ongelmassa DIMON ratkaisee ensin osittaisdifferentiaaliyhtälöt yhdellä muodolla ja sitten kartoittaa ratkaisun useisiin uusiin muotoihin. Tämä muodonmuutoskyky korostaa sen valtavaa monipuolisuutta. Olemme erittäin innoissamme sen käyttöönotosta monissa ongelmissa sekä sen tarjoamisesta laajemmalle yhteisölle nopeuttamaan heidän insinöörisuunnitteluratkaisujaan.”

– Minglang Yin, Johns Hopkinsin biolääketieteellisen tekniikan postdoc-tutkija, joka kehitti alustan

AI:ta edistävät yritykset 

Katsotaanpa nyt yrityksiä, jotka auttavat viemään AI:n teknologisen vallankumouksen uusiin korkeuksiin. 

1. NVIDIA Corporation (NVDA )

GPU:iden johtava toimittaja, Nvidia on maailman toiseksi suurin yritys, jonka markkina-arvo on 3,28 biljoonaa dollaria. Kirjoitushetkellä sen osakkeet kaupankäynnissä hintaan 133,91 dollaria, noussut huikeat 171,9 % vuoden alusta (YTD), samalla EPS (TTM) 2,54, P/E (TTM) 52,90 ja ROE (TTM) 127,21 % sekä osinkotuotto 0,03 %.

Yrityksen laitteisto- ja ohjelmistoratkaisut ovat keskeisiä syväoppimissovelluksissa ja insinöörisimulaatioissa, ja ne näyttelevät tärkeää roolia AI-vallankumouksen edistämisessä.

AI-manian ohjaamana, Nvidia raportoi yli 35 miljardia dollarin liikevaihdon Q3:lle, joka päättyi 27. lokakuuta 2024, mikä on 17 % kasvu edellisestä neljänneksestä ja valtava 94 % kasvu vuoteen verrattuna.

“AI:n aikakausi on täydessä vauhdissa, vauhdittaen globaalin siirtymän NVIDIA-laskentaan,” sanoi toimitusjohtaja ja perustaja Jensen Huang, joka lisäsi, että AI ei ainoastaan muunna yrityksiä ja toimialoja, vaan myös maita, jotka ovat “heränneet kansallisen AI:n ja infrastruktuurin kehittämisen tärkeyteen”.

2. Microsoft Corporation (MSFT )  

Markkina-arvolla 3,32 biljoonaa dollaria Microsoft sijoittuu maailman kolmen suurimman yrityksen joukkoon markkina-arvon perusteella. Sen osakkeet, kirjoitushetkellä, kaupankäynnissä hintaan 447,24 dollaria, mikä edustaa lähes 19 % YTD:n kasvua. Tämä asettaa yrityksen EPS (TTM) tasolle 12,11, P/E (TTM) 36,92 ja ROE (TTM) 35,60 %. Microsoftin maksama osinkotuotto on samalla 0,74 %.

Microsoftin suurin AI-sitoutuminen tapahtuu OpenAI:n kautta, johon se on investoinut yli 13 miljardia dollaria. Lisäksi OpenAI-yhteistyön, jonka arvo on äskettäin määritetty 150 miljardiin dollariin, lisäksi Microsoft on vahvasti sijoittunut AI-tutkimukseen, pilviratkaisuihin ja sovelluksiin insinööri- ja tieteellisessä laskennassa.

Heinäkuun ja syyskuun välisenä aikana yritys raportoi 65,6 miljardia dollaria myyntiä, 16 % kasvu edellisvuoteen verrattuna, samalla kun sen voitot nousivat 11 % 24,7 miljardiin dollariin. Tämä kasvu johtui kysynnästä, joka jatkui “korkeampana kuin käytettävissä oleva kapasiteettimme”, Microsoftin talousjohtajan mukaan.

3. ANSYS, Inc. (ANSS )

Tämä yritys erikoistuu insinöörisimulaatio-ohjelmistoihin monimutkaisten ongelmien ratkaisemiseksi. Yrityksen palveluita käyttävät opiskelijat, tutkijat, suunnittelijat ja insinöörit, ja se integroi yhä enemmän AI:ta tehostaakseen tehokkuutta.

Markkina-arvolla 29,75 miljardia dollaria Ansysin osakkeet kaupankäynnissä hintaan 339,51 dollaria, laskien 6,24 % tänä vuonna. Tämä asettaa yrityksen EPS (TTM) tasolle 6,47, P/E (TTM) 52,55 ja ROE (TTM) 10,48 %.

3Q24:ssa Ansys raportoi 601,9 miljoonaa dollaria liikevaihtoa, 31 % kasvu edellisvuoden kolmannesta neljänneksestä, samalla kun sen vuotuinen sopimusarvo (ACV) oli 540,5 miljoonaa dollaria. GAAP-käyttökateprosentti raportoitiin olevan 26,8 %, kun taas non-GAAP-käyttökateprosentti oli 45,8 %. Jakson käyttörahavirrat olivat 174,2 miljoonaa dollaria, ja sen siirretty liikevaihto ja takuuvarasto olivat 1 463,8 miljoonaa dollaria.

Yhteenveto 

AI kehittyy nopeasti, ja uusien AI-kehysten, kuten DIMONin, käyttöönotto merkitsee vallankumouksellista askelta monimutkaisten insinööriongelmien ratkaisemisessa samalla kun se vähentää dramaattisesti niihin liittyvää aikaa ja laskennallisia kustannuksia. Näin läpimurto ei ainoastaan nopeuta insinöörisuunnitteluprosesseja, vaan myös laajentaa AI:n sovelluksia eri aloille.

Kun tutkijat, yhdessä yritysten kuten Nvidia kanssa, jatkavat suurten löytöjen tekemistä, voimakkaiden mallien rakentamista ja teknologioiden edistämistä, AI:n integroimisen potentiaali jokapäiväisiin työnkulkuihin kasvaa eksponentiaalisesti, mikä viittaa uuteen aikakauteen, jossa AI ohjaa ennennäkemätöntä tehokkuutta ja innovaatiota!

Klikkaa tästä oppiaksesi kaiken tekoälyyn sijoittamisesta.