इंजीनियरिंग में क्रांति: जटिल समीकरणों को सुपरकंप्यूटरों से तेज़ी से हल करने में एआई की नई भूमिका

सुपरकंप्यूटर अपनी उच्च प्रदर्शन के लिए जाने जाते हैं, जो उन्हें जटिल गणनात्मक समस्याओं को हल करने में सक्षम बनाता है। दुनिया के सबसे तेज़ कंप्यूटर, ये मशीनें विशाल डेटा सेट को प्रोसेस कर सकती हैं और तेज़ गति से जटिल गणनाएँ कर सकती हैं, जो प्रति सेकंड एक क्विंटिलियन तक गणनाएँ हल कर सकती हैं।

दिलचस्प बात यह है कि इस सप्ताह ही, टेक दिग्गज Google ने अपना अगली पीढ़ी का चिप ‘Willow’ प्रस्तुत किया, जो सुपरकंडक्टिंग क्यूबिट्स का उपयोग करता है और केवल पाँच मिनट में जटिल गणितीय समस्या को हल कर सकता है, जबकि त्रुटियों को घातीय रूप से कम करता है।

अपनी प्रभावशाली प्रदर्शन के बावजूद, क्वांटम चिप आधुनिक क्रिप्टोग्राफी को तोड़ने में अब तक तोड़ने के करीब नहीं है।

इन सबके बीच, एक नई कृत्रिम बुद्धिमत्ता (AI) आती है जो जटिल इंजीनियरिंग समस्याओं को सुपरकंप्यूटरों से भी तेज़ी से हल करने की क्षमता रखती है। यह नई तकनीकी समाधान Johns Hopkins के शोधकर्ताओं से आया है, जो इंजीनियरिंग क्षेत्र में परिवर्तनकारी हो सकते हैं।

एआई का नया युग

सालों तक एक गर्म विषय रहने के बाद, AI अंततः प्रमुख उद्योगों में सार्थक रूप से उपयोग होने लगा है। इसकी दक्षता और उत्पादकता को बढ़ाने की विशाल क्षमता ने इसका बाजार इस वर्ष $184 बिलियन से अधिक बढ़ रहा है और का अनुमान है कि राजस्व को $15 ट्रिलियन से अधिक बढ़ाएगा इस दशक के अंत तक।

एक हालिया रिपोर्ट में पाया गया कि 68% संगठन या तो सक्रिय रूप से जनरेटिव AI का उपयोग कर रहे हैं या सफल पायलट कार्यान्वयन के बाद रोडमैप विकसित कर चुके हैं।

जैसे ही AI विभिन्न उद्योगों को परिवर्तित करता रहता है, विशेषकर इंजीनियरिंग परिदृश्य को, लोग अब पुराना होने की चुनौती का सामना कर रहे हैं। अनुमान है कि अगले दशक में, इंजीनियरिंग कार्यों में से 40% तक स्वचालित हो सकते हैं।

AI के विश्व पर प्रभाव को समझने के लिए, हमें पहले यह समझना होगा कि AI केवल एक तकनीक है जो मशीनों और कंप्यूटरों को मानव सोच, सीखना, समझ, समस्या समाधान, निर्णय लेने और रचनात्मकता का अनुकरण करने में सक्षम बनाती है।

AI के नीचे मशीन लर्निंग है, जिसमें एल्गोरिदम को प्रशिक्षित करके मॉडल बनाना शामिल है जो डेटा का उपयोग करके निर्णय और भविष्यवाणियाँ करते हैं।

मशीन लर्निंग एल्गोरिदम या तकनीकों के विभिन्न प्रकार होते हैं, जिनमें कृत्रिम न्यूरल नेटवर्क सबसे लोकप्रिय प्रकारों में से एक है। ये नेटवर्क मानव मस्तिष्क की संरचना और कार्यप्रणाली का मॉडल होते हैं।

डीप लर्निंग, जो मशीन लर्निंग का उपसमुच्चय है, बहु-परत न्यूरल नेटवर्क का उपयोग करता है जो मानव मस्तिष्क की जटिल निर्णय लेने की शक्ति का अनुकरण करने में और अधिक प्रभावी होते हैं। ये नेटवर्क डेटा से सीखते हैं और विभिन्न समस्याओं को हल करने के लिए उपयोग किए जाते हैं, जैसे छवि और आवाज़ पहचान से लेकर प्राकृतिक भाषा प्रसंस्करण तक।

डीप लर्निंग पूरी तरह से मशीनों के जटिल डेटा के साथ इंटरैक्ट करने के तरीके को बदल रहा है, जिसमें मानव-स्तर के प्रदर्शन को पार करने और उच्च सटीकता प्राप्त करने की क्षमता है।

जटिल समस्याओं को हल करने के लिए AI का उपयोग

AI कई लाभ प्रदान करता है, जैसे दोहराव वाले कार्यों का स्वचालन, मानव त्रुटियों में कमी, 24/7 उपलब्धता, और उन्नत निर्णय‑लेना, जिससे यह विभिन्न उद्योगों में सभी प्रकार के व्यवसायों में लागू हो गया है।

तकनीक की विशाल डेटा को कुशलतापूर्वक विश्लेषण करने, उन पैटर्न को पहचानने की क्षमता जो मानव द्वारा छूट सकते हैं, और अंत में तेज़ गणनाएँ करने की क्षमता AI को एक जटिल समस्याओं को हल करने के लिए एक शानदार उपकरण बनाती है। जब बड़े डेटा सेट और जटिल निर्णय‑लेने के परिदृश्य होते हैं जो मानव के लिए समय‑साध्य या असंभव होते हैं, तो AI अत्यंत सहायक हो सकता है।

इसलिए, जटिल समस्याओं को हल करने के लिए AI के उपयोग पर बढ़ता ध्यान है। एक साल पहले, MIT और ETH Zurich के शोधकर्ताओं ने ऑप्टिमाइज़ेशन समस्या को हल करने के लिए मशीन लर्निंग का उपयोग किया ताकि FedEx (FDX ) जैसी कंपनियों के लिए छुट्टी पैकेजों को कुशलतापूर्वक रूट किया जा सके।

इन कंपनियों ने मिश्रित‑पूर्णांक रैखिक प्रोग्रामिंग (MILP) सॉल्वर नामक सॉफ़्टवेयर का उपयोग किया जो समस्या को छोटे भागों में विभाजित करता है और सामान्य एल्गोरिदम का उपयोग करके सर्वोत्तम समाधान खोजता है, जिसमें घंटे या यहाँ तक कि दिन लग सकते हैं।

यहाँ, पूरी प्रक्रिया को धीमा करने वाला मुख्य भाग यह है कि MILP सॉल्वर में बहुत अधिक संभावित समाधान होते हैं। शोधकर्ताओं ने इस चरण को सरल बनाने के लिए एक फ़िल्टरिंग मैकेनिज़्म का उपयोग किया, जिससे MILP सॉल्वर की गति 30-70% तक बढ़ गई बिना सटीकता को प्रभावित किए। इसके लिए, तकनीक ने घटती सीमांत प्रतिफल के सिद्धांत पर निर्भर किया और फिर मशीन लर्निंग का उपयोग किया, जो समस्या‑विशिष्ट डेटासेट से प्रशिक्षित था, ताकि कम किए गए विकल्पों में से इष्टतम समाधान पाया जा सके।

इस महीने की शुरुआत में, लंदन स्थित स्टार्टअप PhysicsX ने एयरोस्पेस इंजीनियरिंग के लिए LGM-Aero नामक एक बड़े ज्यामिति मॉडल को प्रस्तुत किया। ज्यामिति और भौतिकी मॉडल की उम्मीद है कि यह विमान अवधारणा विकास समय में उल्लेखनीय कमी लाने में मदद करेगा। कंपनी ने LGM-Aero पर निर्मित एक संदर्भ एप्लिकेशन (‘Ai.rplane’) को सार्वजनिक रूप से उपलब्ध कराया है ताकि मॉडल की क्षमताओं को दिखाया जा सके, जैसे विमान डिज़ाइन बनाना और विमान प्रदर्शन से संबंधित भौतिकी की भविष्यवाणी करना।

मॉडल को Amazon (AMZN ) Web Services (AWS) क्लाउड कंप्यूट पर 25 मिलियन से अधिक विभिन्न आकारों का उपयोग करके प्रशिक्षित किया गया है, जो 10 बिलियन से अधिक वर्टेक्स का प्रतिनिधित्व करते हैं। इसके प्रशिक्षण डेटा में Siemens के सहयोग से उत्पन्न कम्प्यूटेशनल फ्लुइड डायनामिक्स (CFD) और फाइनाइट एलिमेंट एनालिसिस (FEA) सिमुलेशन का संग्रह भी शामिल है।

जैसे LLM टेक्स्ट को समझते हैं, वैसे ही LGM के पास एयरोस्पेस इंजीनियरिंग के लिए महत्वपूर्ण आकारों और संरचनाओं का विशाल ज्ञान है और, इस प्रकार, CEO Jacomo Corbo ने कहा, “यह कई प्रकार की भौतिकी को सेकंडों में अनुकूलित कर सकता है, संख्यात्मक सिमुलेशन से कई क्रमों तक तेज़, और समान स्तर की सटीकता के साथ”।

इस वर्ष, OpenAI, जो Microsoft द्वारा समर्थित AI शोध कंपनी है और ChatGPT के पीछे है, ने अपने नवीनतम मॉडल o1-preview और o1-mini को भी प्रस्तुत किया, जो बड़े भाषा मॉडलों (LLMs) की तर्क क्षमता में एक महत्वपूर्ण छलांग का दावा करता है।

यह मॉडल “चेन‑ऑफ़‑थॉट रीज़निंग” का उपयोग करने की क्षमता के साथ आता है, जो मानव द्वारा समस्या हल करने के समान है, जिसमें जटिल चीज़ों को छोटे, प्रबंधनीय कार्यों में विभाजित किया जाता है। LLM में मानव‑समान तर्क के अनुप्रयोग को पहले Google Research और अन्य द्वारा भी देखा गया है।

PDEs को हल करने के लिए एक नया AI मॉडल

जैसे-जैसे AI का उपयोग और लोकप्रियता बढ़ती जा रही है, उसकी क्षमताएँ भी बढ़ रही हैं, जहाँ शोधकर्ता और कंपनियाँ तकनीक को बेहतर और अधिक सटीक बनाने पर काम कर रही हैं।

Johns Hopkins के शोधकर्ताओं द्वारा विकसित नवीनतम AI फ्रेमवर्क समय‑साध्य और व्यापक गणितीय समीकरणों के समाधान की भविष्यवाणी के लिए एक सामान्य दृष्टिकोण अपनाता है। आंशिक अवकल समीकरण (PDEs) इंजीनियरिंग और चिकित्सा अनुसंधान के क्षेत्र में एक व्यापक कार्य हैं।

हालाँकि, इन समीकरणों को हल करने में जुड़ी गणनात्मक लागत अत्यधिक उच्च हो सकती है। साथ ही, इन बड़े गणितीय समस्याओं को हल करने के लिए आमतौर पर सुपरकंप्यूटर की आवश्यकता होती थी, लेकिन अब नहीं।

नया AI फ्रेमवर्क व्यक्तिगत कंप्यूटरों को भी इन आंशिक अवकल समीकरणों को हल करने में सक्षम बनाता है, जिन्हें वैज्ञानिक वास्तविक‑विश्व प्रक्रियाओं या प्रणालियों को समय और स्थान के साथ वस्तुओं के परिवर्तन की गणितीय अभिव्यक्तियों में अनुवादित करने के लिए उपयोग करते हैं।

यह पहली बार नहीं है जब AI मॉडल को PDEs हल करने के लिए प्रस्तावित किया गया है; वास्तव में, इस विचार को कुछ दशकों पहले पहली बार साझा किया गया था। वैज्ञानिक मशीन लर्निंग के उभरते क्षेत्र में, न्यूरल नेटवर्क के साथ आंशिक अवकल समीकरणों को हल करना पिछले दशक में बहुत ध्यान आकर्षित कर रहा है, जो गहन न्यूरल नेटवर्क को प्रशिक्षित करने की गणनात्मक क्षमता में सभी प्रगति के कारण है।

न्यूरल ऑपरेटर की सफलता के बावजूद, जो AI का उपयोग करके PDE समाधान ऑपरेटर सीखता है, नवीनतम शोध ने बताया कि अनुकूलन और भविष्यवाणी कार्यों को करते समय गणनात्मक बाधाएँ अभी भी मौजूद हैं। यह इसलिए है क्योंकि न्यूरल ऑपरेटर जियोमेट्री पर निर्भर PDE समाधानों का मूल्यांकन करने में असमर्थ हैं।

वर्तमान में, अध्ययन के अनुसार, अधिकांश न्यूरल ऑपरेटर फ्रेमवर्क स्थिर सीमाओं वाले डोमेन पर विकसित किए जाते हैं। साथ ही, आकार में विविधता होने पर न्यूरल नेटवर्क को पुनः प्रशिक्षित करने की आवश्यकता होती है।

इसलिए, इन गणनात्मक चुनौतियों को संबोधित करने के उद्देश्य से, शोधकर्ताओं ने DIMON — डिफ़ीओमॉर्फिक मैपिंग ऑपरेटर लर्निंग का प्रस्ताव रखा। इसके लिए, उन्होंने न्यूरल ऑपरेटर को डोमेनों और आकारों के बीच डिफ़ीओमॉर्फिक मैपिंग के साथ जोड़ा।

मॉडल प्रत्येक रूप परिवर्तन के साथ ग्रिड को पुनः गणना करने की आवश्यकता को समाप्त करता है। इस प्रकार, DIMON सिमुलेशन को तेज़ कर सकता है और डिज़ाइन को अनुकूलित कर सकता है, विभिन्न आकारों में गति, तनाव और गर्मी जैसे भौतिक तत्वों के व्यवहार की भविष्यवाणी करके, बजाय जटिल आकारों को छोटे तत्वों में विभाजित करने के।

आमतौर पर, इन समीकरणों को हल करने में जटिल आकारों, जैसे मानव अंग या विमान पंख, को छोटे तत्वों वाले ग्रिड या मेष में विभाजित करना शामिल है। समस्या को प्रत्येक सरल भाग पर हल किया जाता है, फिर उन्हें पुनः संयोजित किया जाता है।

हालाँकि, यदि ये आकार दुर्घटना या विकृति के कारण बदलते हैं, तो ग्रिड को अपडेट करना पड़ता है। इसका मतलब है कि समाधान को भी पुनः गणना करना पड़ेगा, जिससे पूरी गणना प्रक्रिया न केवल महंगी बल्कि धीमी भी हो जाती है।

DIMON यहाँ AI का उपयोग करके विभिन्न आकारों के साथ भौतिक प्रणालियों के कार्य करने के तरीके को समझता है। इसलिए, शोधकर्ताओं को आकारों को ग्रिड में विभाजित करके बार‑बार समीकरण हल करने की आवश्यकता नहीं है; बल्कि, AI उन पैटर्नों का उपयोग करता है जो उसने सीखे हैं, यह भविष्यवाणी करने के लिए कि विभिन्न कारक कैसे व्यवहार करेंगे, जिससे आकार‑विशिष्ट परिदृश्यों को मॉडल करना और डिज़ाइन को अनुकूलित करना अधिक कुशल और तेज़ हो जाता है।

Johns Hopkins University की बायोमेडिकल इंजीनियरिंग और मेडिसिन प्रोफेसर, सह‑लीड Natalia Trayanova के अनुसार:

“जबकि इसे विकसित करने की प्रेरणा हमारे अपने कार्य से आई थी, यह एक समाधान है जिसे हम मानते हैं कि विभिन्न इंजीनियरिंग क्षेत्रों पर व्यापक प्रभाव डालेगा क्योंकि यह बहुत सामान्य और स्केलेबल है।”

इंजीनियरिंग डिज़ाइनों के लिए एक मोड़ बिंदु

नया AI फ्रेमवर्क एक ऐसा दृष्टिकोण प्रदान करता है जो कई डोमेनों पर PDE समाधानों की तेज़ भविष्यवाणी की अनुमति देता है। इसके अलावा, यह AI का उपयोग करके कई डाउनस्ट्रीम अनुप्रयोगों को सुविधाजनक बनाता है।

मॉडल की क्षमताओं के बारे में बात करते हुए, Trayanova ने कहा कि DIMON मूलतः विज्ञान या इंजीनियरिंग के किसी भी क्षेत्र में किसी भी समस्या पर काम कर सकता है ताकि कई ज्यामितियों पर PDE हल किया जा सके।

इसमें क्रैश टेस्टिंग, अंतरिक्ष यानों का अत्यधिक पर्यावरण में प्रतिक्रिया का विश्लेषण, पुलों की तनाव प्रतिरोध की जांच, विभिन्न ज्यामितियों में तरल प्रवाह का अध्ययन, ऑर्थोपेडिक अनुसंधान, और अन्य जटिल समस्याएँ शामिल हैं जहाँ सामग्री और आकार बदलते हैं। इन सभी परिदृश्यों का मॉडलिंग अब नया AI फ्रेमवर्क के धन्यवाद से बहुत तेज़ किया जा सकता है।

नए मॉडल की विभिन्न प्रकार की इंजीनियरिंग समस्याओं को हल करने में प्रयोज्यता दिखाने के लिए, टीम ने DIMON को 1,000 से अधिक हृदय “डिजिटल ट्विन” पर परीक्षण किया। ये डिजिटल ट्विन वास्तविक रोगियों के हृदयों के अत्यधिक विस्तृत कंप्यूटर मॉडल हैं।

आंशिक अवकल समीकरणों को हल करके ही कार्डियक अरीथमिया का अध्ययन किया जाता है। यह स्थिति विद्युत् इम्पल्स की गड़बड़ी के कारण हृदय में अनियमित धड़कन पैदा करती है। हृदय के डिजिटल ट्विन शोधकर्ताओं को यह निर्धारित करने में सक्षम बनाते हैं कि क्या रोगियों को यह अक्सर घातक स्थिति हो सकती है, और फिर उसका उपचार सुझाते हैं।

नया AI फ्रेमवर्क सफलतापूर्वक यह भविष्यवाणी करने में पाया गया कि प्रत्येक विशिष्ट हृदय आकार में विद्युत संकेत कैसे उच्च सटीकता के साथ प्रसारित होते हैं, बिना महंगे संख्यात्मक सिमुलेशन किए।

Trayanova, जो Johns Hopkins Alliance for Cardiovascular Diagnostic and Treatment Innovation की निदेशक हैं, डेटा‑आधारित दृष्टिकोण, कम्प्यूटेशनल मॉडलिंग, और हृदय इमेजिंग में नवाचारों को लागू करके हृदय रोग का निदान और उपचार करती हैं। वे लगातार क्लिनिक में नई तकनीक पेश कर रही हैं।

हालाँकि, उन्होंने कहा कि उनके समाधान अभी भी बहुत धीमे हैं क्योंकि उन्हें एक रोगी के हृदय को स्कैन करने और PDE हल करने में लगभग एक सप्ताह लगता है ताकि यह भविष्यवाणी की जा सके कि रोगी अचानक हृदय मृत्यु के उच्च जोखिम पर है या नहीं, और फिर सर्वोत्तम उपचार योजना प्रदान की जा सके।

लेकिन उनका नवीनतम मॉडल इस में एक महत्वपूर्ण बदलाव देख रहा है।

“इस नए AI दृष्टिकोण के साथ, समाधान प्राप्त करने की गति अविश्वसनीय है।”

– Trayanova

हृदय डिजिटल ट्विन की भविष्यवाणी करने में लगने वाला समय कई घंटों से घटकर केवल आधा मिनट (30 सेकंड) हो गया है। यह सब नहीं है; इसे गणना करने के लिए सुपरकंप्यूटर की भी आवश्यकता नहीं है। बल्कि, यह सभी डेस्कटॉप कंप्यूटर पर किया जाता है, जिसे Trayanova ने कहा कि “दैनिक क्लिनिकल वर्कफ़्लो का हिस्सा बनाने” की अनुमति देगा।

तकनीक की बहुमुखी प्रतिभा इसे उन स्थितियों के लिए आदर्श बनाती है जहाँ नई आकृतियों पर आंशिक अवकल समीकरणों को बार‑बार हल करने की आवश्यकता होती है।

“प्रत्येक समस्या के लिए, DIMON पहले एकल आकार पर आंशिक अवकल समीकरण हल करता है और फिर समाधान को कई नई आकृतियों में मैप करता है। यह आकार‑परिवर्तन क्षमता इसकी अत्यधिक बहुमुखी प्रतिभा को उजागर करती है। हम इसे कई समस्याओं पर लागू करने और व्यापक समुदाय को प्रदान करने के लिए बहुत उत्साहित हैं ताकि उनके इंजीनियरिंग डिज़ाइन समाधान तेज़ हो सकें।”

– Minglang Yin, Johns Hopkins Biomedical Engineering में पोस्टडॉक फेलो, जिन्होंने प्लेटफ़ॉर्म विकसित किया

AI को आगे बढ़ाने वाली कंपनियाँ

अब, आइए उन कंपनियों को देखें जो AI की तकनीकी क्रांति को नई ऊँचाइयों तक ले जाने में मदद कर रही हैं।

1. NVIDIA Corporation (NVDA )

GPU का एक प्रमुख प्रदाता, Nvidia विश्व की दूसरी सबसे बड़ी कंपनी, जिसकी मार्केट कैप $3.28 ट्रिलियन है। लेखन के समय, इसके शेयर $133.91 पर ट्रेड कर रहे हैं, जो वर्ष‑से‑अब (YTD) में 171.9% की बड़ी वृद्धि है, जबकि इसका EPS (TTM) 2.54, P/E (TTM) 52.90, और ROE (TTM) 127.21% है, और यह 0.03% का डिविडेंड यील्ड भी देता है।

कंपनी के हार्डवेयर और सॉफ़्टवेयर समाधान डीप लर्निंग अनुप्रयोगों और इंजीनियरिंग सिमुलेशन के लिए महत्वपूर्ण हैं, जो AI क्रांति को आगे बढ़ाने में महत्वपूर्ण भूमिका निभाते हैं।

AI के उन्माद से प्रेरित, Nvidia ने रिपोर्ट किया कि तिमाही 3 (समाप्त 27 अक्टूबर 2024) के लिए राजस्व $35 बिलियन से अधिक था, जो पिछले तिमाही से 17% की वृद्धि और एक साल पहले से 94% की बड़ी वृद्धि है।

“AI का युग पूरी गति से चल रहा है, जो NVIDIA कंप्यूटिंग की ओर वैश्विक बदलाव को प्रेरित कर रहा है,” CEO और संस्थापक Jensen Huang ने कहा, जिन्होंने आगे बताया कि AI न केवल कंपनियों और उद्योगों को बदल रहा है बल्कि उन देशों को भी बदल रहा है जो “अपने राष्ट्रीय AI और बुनियादी ढांचे के विकास के महत्व के प्रति जागरूक” हैं।

2. Microsoft Corporation (MSFT )  

$3.32 ट्रिलियन की मार्केट कैप के साथ, Microsoft विश्व की शीर्ष तीन कंपनियों में से एक है। लेखन के समय, इसके शेयर $447.24 पर ट्रेड कर रहे हैं, जो YTD में लगभग 19% की वृद्धि दर्शाते हैं। यह कंपनी के EPS (TTM) को 12.11, P/E (TTM) को 36.92, और ROE (TTM) को 35.60% बनाता है। Microsoft द्वारा दिया गया डिविडेंड यील्ड 0.74% है।

Microsoft की AI में सबसे बड़ी भागीदारी OpenAI के माध्यम से है, जिसमें उसने $13 बिलियन से अधिक निवेश किया है। OpenAI के साथ साझेदारी के अलावा, जिसे रिपोर्ट किया कि राजस्व $65.6 बिलियन थी, जो पिछले वर्ष से 16% की वृद्धि है, जबकि उसके लाभ $24.7 बिलियन तक 11% बढ़े। यह वृद्धि मांग द्वारा प्रेरित थी, जो “हमारी उपलब्ध क्षमता से अधिक” बनी हुई है, जैसा कि Microsoft के वित्त प्रमुख ने कहा।

3. ANSYS, Inc.

यह कंपनी जटिल समस्याओं को हल करने के लिए इंजीनियरिंग सिमुलेशन सॉफ़्टवेयर में विशेषज्ञता रखती है। कंपनी की सेवाएँ छात्रों, शोधकर्ताओं, डिजाइनरों और इंजीनियरों द्वारा उपयोग की जाती हैं, और यह दक्षता बढ़ाने के लिए AI को बढ़ती हुई एकीकृत कर रही है।

$29.75 बिलियन की मार्केट कैप के साथ, Ansys के शेयर वर्तमान में $339.51 पर ट्रेड कर रहे हैं, इस वर्ष 6.24% नीचे। यह कंपनी के EPS (TTM) को 6.47, P/E (TTM) को 52.55, और ROE (TTM) को 10.48% बनाता है।

3Q24 के लिए, Ansys ने रिपोर्ट किया कि राजस्व $601.9 मिलियन था, जो पिछले वर्ष की तिमाही से 31% बढ़ा, जबकि उसका वार्षिक अनुबंध मूल्य (ACV) $540.5 मिलियन था। GAAP ऑपरेटिंग प्रॉफिट मार्जिन 26.8% बताया गया, जबकि गैर‑GAAP ऑपरेटिंग प्रॉफिट मार्जिन 45.8% था। अवधि के लिए ऑपरेटिंग कैश फ्लो $174.2 मिलियन थे, जबकि उसका डिफर्ड रिवेन्यू और बैकलॉग $1,463.8 मिलियन था।

निष्कर्ष

AI तेज़ गति से आगे बढ़ रहा है, और DIMON जैसे नए AI फ्रेमवर्क का परिचय जटिल इंजीनियरिंग समस्याओं को हल करने में एक क्रांतिकारी कदम है, जबकि इससे जुड़े समय और गणनात्मक लागत को काफी घटाता है। इस प्रकार, यह प्रगति न केवल इंजीनियरिंग डिज़ाइन प्रक्रियाओं को तेज़ करती है बल्कि AI के अनुप्रयोग को विभिन्न क्षेत्रों में भी विस्तारित करती है।

शोधकर्ता, साथ ही Nvidia जैसी कंपनियों के साथ, बड़े खोजों को जारी रखते हुए, शक्तिशाली मॉडल बनाते हुए और तकनीकों को आगे बढ़ाते हुए, AI को दैनिक कार्यप्रवाह में एकीकृत करने की संभावना घातीय रूप से बढ़ती है, जो एक नए युग की ओर संकेत करती है जहाँ AI अभूतपूर्व दक्षता और नवाचार को चलाता है!

क्लिक करें यहाँ AI में निवेश के बारे में सब कुछ जानने के लिए।