Rivoluzionare l’Ingegneria: Il nuovo ruolo dell’IA nella risoluzione di equazioni complesse più velocemente dei supercomputer

I supercomputer sono noti per le loro alte prestazioni, che consentono di risolvere problemi computazionali complessi. I computer più veloci al mondo, queste macchine possono elaborare enormi set di dati ed eseguire calcoli complessi a velocità rapidissime, capaci di risolvere fino a un quintilione di calcoli al secondo.

Curiosamente, proprio questa settimana, il gigante tecnologico Google ha presentato il suo chip di nuova generazione chiamato ‘Willow’, che funziona usando qubit superconduttori e può risolvere un problema matematico complesso in soli cinque minuti riducendo gli errori in modo esponenziale. 

Nonostante le sue prestazioni impressionanti, il chip quantistico è lontano dal rompere la crittografia moderna.

In mezzo a tutto ciò, una nuova intelligenza artificiale (IA) arriva con la capacità di risolvere problemi ingegneristici complessi ancora più velocemente dei supercomputer. La nuova soluzione tecnologica proviene da ricercatori della Johns Hopkins, che possono cambiare le regole del gioco nel settore dell’ingegneria.

La nuova era dell’IA 

Dopo essere stato un argomento di tendenza per anni, l’IA ha finalmente iniziato a essere utilizzata in modo significativo nei settori chiave. Il suo immenso potenziale per migliorare efficienza e produttività ha il suo mercato in crescita oltre 184 miliardi di dollari quest’anno e si prevede di aumentare i ricavi di oltre 15 trilioni di dollari entro la fine di questo decennio. 

Un rapporto recente ha rilevato che il 68% delle organizzazioni sta attivamente utilizzando l’IA generativa o ha sviluppato roadmap dopo implementazioni pilota di successo. 

Mentre l’IA continua a trasformare vari settori, soprattutto il panorama ingegneristico, le persone ora affrontano la sfida di diventare obsolete. Le stime suggeriscono che nel prossimo decennio, fino al 40% dei compiti ingegneristici potrebbe essere automatizzato.

Per comprendere l’impatto dell’IA sul mondo, dobbiamo prima capire che l’IA è semplicemente una tecnologia che consente a macchine e computer di simulare il pensiero umano, l’apprendimento, la comprensione, la risoluzione di problemi, il processo decisionale e la creatività. 

Sotto l’IA c’è il machine learning, che implica l’addestramento di un algoritmo per creare modelli che utilizzano i dati per prendere decisioni e fare previsioni. 

Esistono diversi tipi di algoritmi o tecniche di machine learning, con le reti neurali artificiali che sono uno dei tipi più popolari. Queste reti sono modellate sulla struttura e funzione del cervello umano. 

Il deep learning, un sottoinsieme del machine learning, utilizza reti neurali multilivello che sono ancora più efficaci nel simulare il complesso potere decisionale del cervello umano. Queste reti apprendono dai dati e sono usate per risolvere diversi problemi, dalla riconoscimento di immagini e voce all’elaborazione del linguaggio naturale. 

Il Deep Learning sta cambiando completamente il modo in cui le macchine interagiscono con dati complessi, con la capacità di superare le prestazioni a livello umano mantenendo alta precisione.

Utilizzare l’IA per affrontare problemi complessi 

L’IA offre numerosi vantaggi, come l’automazione di compiti ripetitivi, meno errori umani, disponibilità 24 ore su 24 e decisioni migliorate, il che ha portato alla sua applicazione in tutti i tipi di imprese nei vari settori.

La capacità della tecnologia di analizzare efficientemente enormi quantità di dati, identificare pattern che potrebbero sfuggire agli umani e infine eseguire calcoli rapidi rende l’IA uno strumento eccellente per risolvere problemi complessi. Quando si trattano grandi set di dati e scenari decisionali intricati che richiederebbero tempo o sarebbero impossibili da affrontare per gli umani da soli, l’IA può essere di grande aiuto.

Di conseguenza, un’attenzione crescente sull’utilizzo dell’IA per risolvere questioni intricate. Un anno fa, ricercatori del MIT e dell’ETH Zurigo hanno usato il machine learning per risolvere il problema di ottimizzazione di instradare efficientemente i pacchi delle vacanze per aziende come FedEx.

Queste aziende utilizzano un software chiamato risolutore di programmazione lineare intera mista (MILP) che suddivide il problema in parti più piccole e utilizza algoritmi generici per trovare la soluzione migliore, il che potrebbe richiedere ore o addirittura giorni.

Qui, la parte chiave che rallenta l’intero processo è che i risolutori MILP hanno troppe soluzioni potenziali. I ricercatori hanno usato un meccanismo di filtraggio per semplificare questo passaggio, accelerando i risolutori MILP del 30-70% senza compromettere l’accuratezza. Per questo, la tecnica si è basata sul principio dei rendimenti marginali decrescenti e poi ha usato il machine learning, addestrato con un dataset specifico al problema, per trovare la soluzione ottimale dal numero ridotto di opzioni.

All’inizio di questo mese, una startup con sede a Londra, PhysicsX, ha introdotto un grande modello geometrico chiamato LGM-Aero per l’ingegneria aerospaziale. Il modello geometrico e fisico si prevede che aiuti a ridurre notevolmente i tempi di sviluppo dei concetti di aeromobili. L’azienda ha reso pubblicamente accessibile un’applicazione di riferimento (‘Ai.rplane’) costruita su LGM-Aero per mostrare le capacità del suo modello nella generazione di progetti di aeromobili e nella previsione della fisica relativa alle prestazioni degli aeromobili. 

Il modello è addestrato su Amazon (AMZN ) Web Services (AWS) cloud compute usando oltre 25 milioni di forme diverse, rappresentanti più di 10 miliardi di vertici. I suoi dati di addestramento includono anche una collezione di simulazioni di fluidodinamica computazionale (CFD) e analisi agli elementi finiti (FEA) generate in collaborazione con Siemens. 

Proprio come i LLM comprendono il testo, l’LGM possiede una vasta conoscenza delle forme e delle strutture importanti per l’ingegneria aerospaziale e, di conseguenza, “può ottimizzare attraverso molteplici tipi di fisica in pochi secondi, di molti ordini di grandezza più veloce rispetto alle simulazioni numeriche, e allo stesso livello di accuratezza,” ha dichiarato l’amministratore delegato Jacomo Corbo.

Quest’anno, OpenAI, la società di ricerca AI sostenuta da Microsoft dietro ChatGPT, ha anche presentato i suoi ultimi modelli, o1-preview e o1-mini, affermando un salto significativo nelle capacità di ragionamento dei grandi modelli linguistici (LLM). 

Il modello è dotato della capacità di utilizzare il “ragionamento a catena di pensiero”, simile a quello che gli esseri umani fanno quando risolvono un problema, che comporta suddividere cose complesse in compiti piccoli e gestibili. L’applicazione del ragionamento simile a quello umano nei LLM è stata precedentemente osservata da Google Research e altri. 

Un nuovo modello IA per risolvere le PDE

Man mano che l’uso e la popolarità dell’IA continuano a crescere, aumentano anche le sue capacità, con ricercatori e aziende che lavorano per rendere la tecnologia migliore e più accurata. 

Il ultimo framework IA dei ricercatori di Johns Hopkins sta adottando un approccio generico per prevedere soluzioni a equazioni matematiche dispendiose in tempo e diffuse. Le equazioni differenziali parziali (PDE) sono un compito pervasivo nel campo dell’ingegneria e della ricerca medica. 

Tuttavia, i costi computazionali necessari per risolvere queste equazioni possono essere proibitivamente alti. Inoltre, risolvere questi enormi problemi matematici richiedeva generalmente supercomputer, ma non più. 

Il nuovo framework IA consente anche ai personal computer di affrontare queste equazioni differenziali parziali che gli scienziati usano per tradurre processi o sistemi reali in rappresentazioni matematiche di come gli oggetti cambiano nel tempo e nello spazio.

Non è la prima volta che viene proposto un modello IA per risolvere le PDE; in realtà, la sua idea è stata condivisa per la prima volta qualche decennio fa. Nel campo emergente del machine learning scientifico, la risoluzione delle equazioni differenziali parziali con reti neurali ha guadagnato molta attenzione nell’ultimo decennio grazie a tutti i progressi nella capacità computazionale per addestrare reti neurali profonde. 

Nonostante il successo dell’operatore neurale, che usa l’IA per apprendere l’operatore di soluzione PDE, la ricerca più recente ha notato che i colli di bottiglia computazionali continuano a esistere durante l’esecuzione di compiti di ottimizzazione e prognostica. Questo è dovuto all’incapacità degli operatori neurali di valutare soluzioni PDE dipendenti dalla geometria.

Attualmente, la maggior parte dei framework di operatori neurali, come ha osservato lo studio, è sviluppata su un dominio con confini fissi. Inoltre, avere variazioni di forma richiede il riaddestramento della rete neurale. 

Quindi, con l’obiettivo di affrontare queste sfide computazionali, i ricercatori hanno proposto DIMON — Diffeomorphic Mapping Operator Learning. Per questo, hanno combinato operatori neurali con mappature diffeomorfe tra domini e forme. 

Il modello elimina la necessità di ricalcolare le griglie ad ogni cambiamento di forma. In questo modo, DIMON può accelerare le simulazioni e ottimizzare i progetti prevedendo come elementi fisici come movimento, stress e calore si comportano su forme diverse invece di suddividere forme complesse in piccoli elementi.

In generale, risolvere queste equazioni comporta suddividere forme complesse, come organi umani o ali di aereo, in griglie o mesh composte da piccoli elementi. Il problema viene poi risolto su ogni singolo pezzo prima di essere ricombinato. 

Tuttavia, se queste forme cambiano a causa di un impatto o di una deformazione, le griglie devono essere aggiornate. Ciò significa che anche le soluzioni devono essere ricalcolate, rendendo l’intero processo computazionale non solo costoso ma anche lento. 

DIMON utilizza l’IA per comprendere il modo in cui i sistemi fisici funzionano con varie forme. Così, i ricercatori non devono suddividere le forme in griglie e risolvere le equazioni più e più volte; invece, l’IA sfrutta i pattern appresi per prevedere come diversi fattori si comporteranno, rendendo più efficiente e veloce la modellazione di scenari specifici per forma e l’ottimizzazione dei progetti.

Secondo la co-leader Natalia Trayanova, professoressa di ingegneria biomedica e medicina presso la Johns Hopkins University:

“Mentre la motivazione per svilupparlo è nata dal nostro lavoro, questa è una soluzione che riteniamo avrà un impatto enorme su vari campi dell’ingegneria perché è molto generica e scalabile.”

Un punto di svolta per i progetti ingegneristici

Il nuovo framework IA fornisce un approccio che consente previsioni rapide delle soluzioni PDE su più domini. Inoltre, facilita molte applicazioni a valle usando l’IA. 

Parlando delle capacità del modello, Trayanova ha osservato che DIMON può fondamentalmente lavorare su qualsiasi problema in qualsiasi campo della scienza o dell’ingegneria per risolvere PDE su più geometrie. 

Ciò include test di impatto, analisi di come i veicoli spaziali rispondono a ambienti estremi, valutazione di come i ponti resistono allo stress, studio di come i fluidi si propagano attraverso diverse geometrie, ricerca ortopedica e affrontare altri problemi complessi dove i materiali e le forme cambiano. La modellazione di tutti questi scenari può ora essere resa molto più veloce grazie al nuovo framework IA.

Per dimostrare l’applicabilità del nuovo modello nella risoluzione di altri tipi di problemi ingegneristici, il team ha testato DIMON su più di 1.000 “gemelli digitali” del cuore. Questi gemelli digitali sono modelli computerizzati altamente dettagliati dei cuori di pazienti reali.

È risolvendo le equazioni differenziali parziali che si studia l’aritmia cardiaca. La condizione causa battiti irregolari nel cuore a causa di un malfunzionamento dell’impulso elettrico. I gemelli digitali dei cuori consentono ai ricercatori di determinare se i pazienti possono sviluppare questa condizione, spesso fatale, e quindi raccomandare modalità di trattamento. 

Il nuovo framework IA si è dimostrato efficace nel prevedere come i segnali elettrici si trasmettono attraverso ogni forma unica del cuore con alta precisione senza nemmeno necessitare di eseguire costose simulazioni numeriche.

Trayanova, direttrice della Johns Hopkins Alliance for Cardiovascular Diagnostic and Treatment Innovation, applica approcci basati sui dati, modellazione computazionale e innovazioni nell’imaging cardiaco per diagnosticare e trattare le malattie cardiovascolari. Introducono costantemente nuove tecnologie nella clinica.  

Tuttavia, ha osservato che le loro soluzioni sono ancora troppo lente poiché impiegano circa una settimana per scansionare il cuore di un paziente e risolvere le PDE per prevedere se il paziente è ad alto rischio di morte cardiaca improvvisa e poi fornire il miglior piano di trattamento.

Ma questo sta subendo un cambiamento monumentale con il loro ultimo modello.

“Con questo nuovo approccio IA, la velocità con cui possiamo ottenere una soluzione è incredibile.”

– Trayanova

Il tempo necessario per fare la previsione di un gemello digitale del cuore è stato ridotto da diverse ore a appena mezzo minuto (30 secondi). Questo non è tutto; calcolare ciò non richiede nemmeno un supercomputer. Piuttosto, è tutto eseguito su un computer desktop, che Trayanova ha detto permetterebbe loro “di integrarlo nel flusso di lavoro clinico quotidiano”.

La versatilità della tecnologia la rende perfetta per situazioni in cui è necessario risolvere ripetutamente equazioni differenziali parziali su nuove forme. 

“Per ogni problema, DIMON prima risolve le equazioni differenziali parziali su una singola forma e poi mappa la soluzione su più nuove forme. Questa capacità di trasformare le forme evidenzia la sua enorme versatilità. Siamo molto entusiasti di metterla al lavoro su molti problemi e di renderla disponibile alla più ampia comunità per accelerare le loro soluzioni di progettazione ingegneristica.”

– Minglang Yin, borsista postdoc presso Johns Hopkins Biomedical Engineering, che ha sviluppato la piattaforma

Aziende che avanzano l’IA

Ora, diamo un’occhiata alle aziende che stanno contribuendo a portare la rivoluzione tecnologica dell’IA a nuovi livelli. 

1. NVIDIA Corporation (NVDA )

Fornitore leader di GPU, Nvidia è la seconda più grande azienda al mondo, con una capitalizzazione di mercato di $3.28 trillion. Al momento della stesura, le sue azioni sono scambiate a $133.91, in aumento del 171.9% anno fino ad oggi (YTD) con EPS (TTM) di 2.54, P/E (TTM) di 52.90 e ROE (TTM) di 127.21% con un rendimento da dividendo dello 0.03%.

Le soluzioni hardware e software dell’azienda sono cruciali per le applicazioni di deep learning e le simulazioni ingegneristiche, giocando un ruolo importante nell’avanzare la rivoluzione IA.

Spinta dalla mania dell’IA, Nvidia ha riportato un fatturato di oltre $35 billion per Q3 terminato il 27 ottobre 2024, con un aumento del 17% rispetto al trimestre precedente e un enorme aumento del 94% rispetto a un anno fa.

“L’era dell’IA è a pieno regime, spingendo un cambiamento globale verso il computing NVIDIA,” ha detto il CEO e fondatore Jensen Huang, che ha aggiunto che l’IA non sta solo trasformando aziende e settori ma anche paesi che sono “svegliati all’importanza di sviluppare la loro IA nazionale e infrastruttura”.

2. Microsoft Corporation (MSFT )  

Con una capitalizzazione di mercato di $3.32 trillion Microsoft si colloca tra le prime tre aziende al mondo per capitalizzazione. Le sue azioni, al momento della stesura, sono scambiate a $447.24, rappresentando un aumento di quasi il 19% YTD. Questo porta l’EPS (TTM) dell’azienda a 12.11, P/E (TTM) a 36.92 e ROE (TTM) a 35.60%. Il rendimento da dividendo pagato da Microsoft, nel frattempo, è dello 0.74%.

Il più grande coinvolgimento di Microsoft nell’IA è tramite OpenAI, in cui ha investito più di $13 billion. Oltre alla partnership con OpenAI, che è stata recentemente valutata a $150bn, Microsoft è anche fortemente investita nella ricerca IA, soluzioni cloud e applicazioni per l’ingegneria e il calcolo scientifico.

Per il periodo tra luglio e settembre, la società ha riportato $65.6 billion in sales, un aumento del 16% rispetto all’anno precedente, mentre i suoi profitti sono aumentati dell’11% a $24.7 billion. Questa crescita è stata spinta da una domanda che continua “essere superiore alla nostra capacità disponibile,” secondo il capo finanziario di Microsoft.

3. ANSYS, Inc.

Questa azienda è specializzata in software di simulazione ingegneristica per risolvere problemi complessi. I suoi servizi sono utilizzati da studenti, ricercatori, designer e ingegneri, ed è anche sempre più integrata con l’IA per migliorare l’efficienza.

Con una capitalizzazione di mercato di $29.75 billion, le azioni di Ansys sono attualmente scambiate a $339.51, in calo del 6.24% quest’anno. Questo porta l’EPS (TTM) dell’azienda a 6.47, un P/E (TTM) di 52.55 e un ROE (TTM) di 10.48%.

Per il 3Q24, Ansys ha riportato $601.9 million in revenue, in aumento del 31% rispetto al terzo trimestre dell’anno scorso, mentre il valore dei contratti annuali (ACV) era di $540.5 million. Il margine di profitto operativo GAAP è stato segnalato al 26.8%, mentre il margine di profitto operativo non-GAAP era del 45.8%. I flussi di cassa operativi per il periodo sono stati di $174.2 million, mentre i ricavi differiti e il backlog erano $1,463.8 million.

Conclusione 

L’IA sta avanzando a un ritmo rapido, e l’introduzione di nuovi framework IA come DIMON segna un passo rivoluzionario nella risoluzione di problemi ingegneristici complessi riducendo drasticamente il tempo e i costi computazionali associati. In questo modo, la scoperta non solo accelera i processi di progettazione ingegneristica ma espande anche l’applicazione dell’IA in diversi settori.

Mentre i ricercatori, insieme a aziende come Nvidia, continuano a fare grandi scoperte, costruire modelli potenti e avanzare le tecnologie, il potenziale di integrare l’IA nei flussi di lavoro quotidiani cresce esponenzialmente, indicando una nuova era in cui l’IA guida un’efficienza e un’innovazione senza precedenti!

Clicca qui per scoprire tutto sull’investimento nell’intelligenza artificiale.