Rivoluzionando l’Ingegneria: Il Nuovo Ruolo dell’AI nel Risolvere Equazioni Complesse più Velocemente dei Supercomputer

I supercomputer sono noti per le loro prestazioni elevate, che consentono loro di risolvere problemi computazionali complessi. I computer più veloci del mondo, queste macchine possono elaborare enormi set di dati e eseguire calcoli complessi a velocità rapide, in grado di risolvere fino a un quintilione di calcoli al secondo.

Interessantemente, proprio questa settimana, il gigante tecnologico Google ha presentato il suo nuovo chip di prossima generazione chiamato ‘Willow’, che funziona utilizzando qubit superconduttori e può risolvere un problema matematico complesso in soli cinque minuti, riducendo esponenzialmente gli errori.

Nonostante le sue prestazioni impressionanti, il chip quantistico non è ancora in grado di violare la crittografia moderna.

In mezzo a tutto ciò, un nuovo intelligenza artificiale (AI) arriva con la capacità di risolvere problemi di ingegneria complessi anche più velocemente dei supercomputer. La nuova soluzione tecnologica proviene dai ricercatori di Johns Hopkins, che possono essere dei veri e propri innovatori nello spazio dell’ingegneria.

La Nuova Era dell’AI

Dopo essere stato un argomento caldo per anni, l’AI ha finalmente iniziato a essere utilizzato in modo significativo in tutti i settori chiave. Il suo enorme potenziale per migliorare l’efficienza e la produttività ha fatto sì che il suo mercato cresca oltre i 184 miliardi di dollari quest’anno e è previsto che aumenti i ricavi di oltre 15 trilioni di dollari entro la fine di questo decennio.

Un recente rapporto ha scoperto che il 68% delle organizzazioni sta attivamente utilizzando l’AI di generazione o ha sviluppato piani di implementazione dopo la realizzazione di piloti di successo.

Mentre l’AI continua a trasformare vari settori, specialmente il panorama dell’ingegneria, le persone si trovano ora di fronte alla sfida di diventare obsolete. Le stime suggeriscono che, nel prossimo decennio, fino al 40% dei compiti di ingegneria potrebbe essere automatizzato.

Per comprendere l’impatto dell’AI sul mondo, dobbiamo prima capire che l’AI è semplicemente una tecnologia che consente alle macchine e ai computer di simulare il pensiero umano, l’apprendimento, la comprensione, la risoluzione di problemi, la presa di decisioni e la creatività.

Sotto l’AI c’è l’apprendimento automatico, che coinvolge l’addestramento di un algoritmo per creare modelli che utilizzano i dati per prendere decisioni e previsioni.

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

L’apprendimento profondo, un subset dell’apprendimento automatico, utilizza reti neurali multistrato che sono ancora più efficaci nel simulare il potere decisionale complesso del cervello umano. Queste reti imparano dai dati e vengono utilizzate per risolvere diversi problemi, che vanno dal riconoscimento di immagini e discorsi al trattamento del linguaggio naturale.

L’apprendimento profondo sta cambiando completamente il modo in cui le macchine interagiscono con i dati complessi, con la capacità di superare le prestazioni umane mentre si raggiunge un’alta accuratezza.

Utilizzare l’AI per Affrontare Problemi Complessi

L’AI offre numerosi vantaggi, come l’automazione di attività ripetitive, meno errori umani, disponibilità 24 ore su 24 e miglioramento della presa di decisioni, che ha portato alla sua applicazione in tutti i tipi di aziende attraverso i settori.

La capacità della tecnologia di analizzare efficientemente grandi quantità di dati, identificare modelli che potrebbero essere stati persi dagli esseri umani e infine eseguire calcoli rapidi rende l’AI uno strumento eccellente per risolvere problemi complessi. Quando si tratta di grandi set di dati e scenari di presa di decisioni complessi che sarebbero troppo lunghi o impossibili per gli esseri umani da affrontare da soli, l’AI può essere immensamente utile.

Quindi, una crescente attenzione sull’utilizzo dell’AI per risolvere problemi intricati. Un anno fa, i ricercatori del MIT e dell’ETH di Zurigo hanno utilizzato l’apprendimento automatico per risolvere il problema di ottimizzazione dell’invio efficiente di pacchi di vacanza per aziende come FedEx.

Queste aziende utilizzano un software chiamato mixed-integer linear programming (MILP) solver che divide il problema in pezzi più piccoli e utilizza algoritmi generici per trovare la soluzione migliore, che potrebbe richiedere ore e addirittura giorni.

Qui, la parte chiave che rallenta l’intero processo è che i solver MILP hanno troppe soluzioni potenziali. I ricercatori hanno utilizzato un meccanismo di filtro per semplificare questo passaggio, che ha accelerato i solver MILP del 30-70% senza influenzare l’accuratezza. Per questo, la tecnica si è basata sul principio del rendimento marginale decrescente e poi ha utilizzato l’apprendimento automatico, addestrato con un set di dati specifico per il problema, per trovare la soluzione ottimale dal numero ridotto di opzioni.

Proprio questo mese, una startup con sede a Londra, PhysicsX, ha introdotto un grande modello di geometria chiamato LGM-Aero per l’ingegneria aerospaziale. Il modello di geometria e fisica è previsto aiutare a ridurre notevolmente il tempo di sviluppo del concetto di aereo.

La società ha reso pubblicamente accessibile un’applicazione di riferimento (‘Ai.rplane’) costruita su LGM-Aero per dimostrare le capacità del modello nella generazione di progetti di aereo e nella previsione della fisica legata alle prestazioni dell’aereo.

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

Proprio come i LLM comprendono il testo, il LGM ha una vasta conoscenza delle forme e delle strutture importanti per l’ingegneria aerospaziale e, di conseguenza, “può ottimizzare su più tipi di fisica in pochi secondi, molti ordini di grandezza più veloce della simulazione numerica, e allo stesso livello di accuratezza”, ha dichiarato il CEO Jacomo Corbo.

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

Il modello viene con la capacità di utilizzare “catena di pensiero del ragionamento”, simile a ciò che gli esseri umani fanno quando risolvono un problema, che coinvolge la divisione di cose complesse in piccoli compiti gestibili. L’applicazione del ragionamento umano nei LLM è stata precedentemente osservata da Google Research e altri.

Un Nuovo Modello di AI per Risolvere le PDE

Mentre l’utilizzo e la popolarità dell’AI continuano a crescere, così anche le sue capacità, con i ricercatori e le aziende che lavorano per rendere la tecnologia migliore e più precisa.

L’ ultimo framework di AI dei ricercatori di Johns Hopkins sta prendendo un approccio generico per prevedere le soluzioni a equazioni matematiche lunghe e diffuse. Le equazioni differenziali parziali (PDE) sono un compito pervasivo nel campo dell’ingegneria e della ricerca medica.

Tuttavia, i costi computazionali coinvolti nella risoluzione di queste equazioni possono essere proibitivamente alti. Inoltre, risolvere questi enormi problemi matematici richiede generalmente supercomputer, ma non più.

Il nuovo framework di AI consente anche ai computer personali di affrontare queste equazioni differenziali parziali che gli scienziati utilizzano per tradurre processi o sistemi del mondo reale in rappresentazioni matematiche di come gli oggetti cambiano nel tempo e nello spazio.

Non è la prima volta che un modello di AI è stato proposto per risolvere le PDE; in realtà, l’idea è stata condivisa alcuni decenni fa. Nel campo emergente dell’apprendimento scientifico automatico, la risoluzione di equazioni differenziali parziali con reti neurali ha guadagnato molta attenzione negli ultimi dieci anni grazie a tutti gli avanzamenti nella capacità computazionale per l’addestramento di reti neurali profonde.

Nonostante il successo dell’operatore neurale, che utilizza l’AI per imparare l’operatore di soluzione PDE, la ricerca più recente ha notato che gli ostacoli computazionali continuano a esistere quando si eseguono attività di ottimizzazione e prognosi. Ciò è a causa dell’incapacità degli operatori neurali di valutare le soluzioni PDE che dipendono dalla geometria.

Attualmente, la maggior parte dei framework di operatori neurali, come ha notato lo studio, sono sviluppati su un dominio con confini fissi. Inoltre, avere variazioni di forma richiede la riqualificazione 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 gli operatori neurali con mapping diffeomorfi tra domini e forme.

Il modello elimina la necessità di ricalcolare le griglie con ogni modifica di forma. In questo modo, DIMON può accelerare le simulazioni e ottimizzare i progetti prevedendo come gli elementi fisici come il movimento, lo stress e il calore si comportano attraverso forme diverse invece di dividere forme complesse in elementi più piccoli.

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

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

DIMON utilizza l’AI per comprendere il modo in cui i sistemi fisici funzionano con forme diverse. Quindi, i ricercatori non devono dividere le forme in griglie e risolvere le equazioni più e più volte; piuttosto, l’AI utilizza i modelli che ha appreso per prevedere come diversi fattori si comporteranno, rendendolo più efficiente e veloce per modellare scenari specifici della forma e ottimizzare i progetti.

Secondo il co-lead Natalia Trayanova, professore di ingegneria biomedica e medicina alla Johns Hopkins University:

“Mentre la motivazione per svilupparlo è venuta dal nostro lavoro, questa è una soluzione che pensiamo avrà un impatto massiccio su vari campi dell’ingegneria perché è molto generico e scalabile.”

Un Punto di Svolta per i Progetti di Ingegneria

Il nuovo framework di AI fornisce un approccio che consente una rapida previsione delle soluzioni PDE su più domini. Inoltre, facilita molte applicazioni downstream che utilizzano l’AI.

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

Ciò include test di crash, analisi di come gli spacecraft 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 in cui i materiali e le forme cambiano. La modellazione di tutte queste scenari può ora essere resa molto più veloce grazie al nuovo framework di AI.

Per dimostrare l’applicabilità del nuovo modello nella risoluzione di altri tipi di problemi di ingegneria, il team ha testato DIMON su oltre 1.000 “digital twins” del cuore. Questi digital twins sono modelli computerizzati molto dettagliati dei cuori di pazienti reali.

È risolvendo le equazioni differenziali parziali che si studia l’aritmia cardiaca. La condizione provoca un battito irregolare nel cuore a causa di un comportamento anomalo dell’impulso elettrico. I digital twins dei cuori consentono ai ricercatori di determinare se i pazienti possono sviluppare questa condizione, che è spesso fatale, e quindi raccomandare modi per trattarla.

Il nuovo framework di AI si è rivelato efficace nel prevedere come i segnali elettrici si propaghino attraverso ogni forma di cuore unica con alta accuratezza senza dover eseguire simulazioni numeriche costose.

Trayanova, il direttore della Johns Hopkins Alliance for Cardiovascular Diagnostic and Treatment Innovation, applica approcci basati sui dati, la modellazione computazionale e le innovazioni nell’imaging cardiaco per diagnosticare e trattare le malattie cardiovascolari. Stanno costantemente introducendo nuova tecnologia nella clinica.

Tuttavia, ha notato che le loro soluzioni sono ancora troppo lente, poiché ci vuole circa una settimana per scansionare il cuore di un paziente e risolvere le PDE per prevedere se il paziente è a rischio di morte cardiaca improvvisa e quindi fornire il miglior piano di trattamento.

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

“Con questo nuovo approccio di AI, la velocità con cui possiamo avere una soluzione è incredibile.”

– Trayanova

Il tempo necessario per effettuare la previsione di un digital twin del cuore è stato ridotto da diverse ore a soli mezza minuto (30 secondi). Ciò non è tutto; il calcolo non richiede nemmeno un supercomputer. Piuttosto, è tutto fatto su un computer desktop, che Trayanova ha detto avrebbe permesso loro “di farne parte del flusso di lavoro clinico quotidiano”.

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

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

– Minglang Yin, un fellow postdoc alla Johns Hopkins Biomedical Engineering, che ha sviluppato la piattaforma

Aziende che Avanzano l’AI

Ora, diamo uno sguardo alle aziende che stanno aiutando a portare la rivoluzione tecnologica dell’AI a nuove altezze.

1. NVIDIA Corporation (NVDA )

Un fornitore leader di GPU, Nvidia è la seconda azienda più grande del mondo, con un mercato di 3,28 trilioni di dollari. Al momento della scrittura, le sue azioni sono scambiate a 133,91 dollari, in aumento del 171,9% dall’inizio dell’anno, mentre il suo EPS (TTM) è di 2,54, il P/E (TTM) è di 52,90 e il ROE (TTM) è del 127,21%, con un dividendo del 0,03%.

Le soluzioni hardware e software dell’azienda sono cruciali per le applicazioni di apprendimento profondo e le simulazioni di ingegneria, svolgendo un ruolo importante nell’avanzare la rivoluzione dell’AI.

Guidata dalla mania dell’AI, Nvidia ha riportato un fatturato di oltre 35 miliardi di dollari per il terzo trimestre chiuso il 27 ottobre 2024, che rappresenta un aumento del 17% rispetto al trimestre precedente e un aumento del 94% rispetto all’anno precedente.

“L’era dell’AI è in pieno svolgimento, spingendo un cambiamento globale verso il computing di Nvidia”, ha dichiarato il CEO e fondatore Jensen Huang, che ha inoltre notato che l’AI non solo sta trasformando le aziende e le industrie, ma anche i paesi che “si sono resi conto dell’importanza di sviluppare la loro AI e infrastruttura nazionale”.

2. Microsoft Corporation (MSFT )

Con un mercato di 3,32 trilioni di dollari, Microsoft è tra le prime tre aziende del mondo per capitalizzazione di mercato. Le sue azioni, al momento della scrittura, sono scambiate a 447,24 dollari, rappresentando un aumento del 19% dall’inizio dell’anno. Ciò porta il suo EPS (TTM) a 12,11, il P/E (TTM) a 36,92 e il ROE (TTM) al 35,60%. Il dividendo pagato da Microsoft, nel frattempo, è dello 0,74%.

L’impegno di Microsoft nell’AI è principalmente attraverso OpenAI, in cui ha investito oltre 13 miliardi di dollari. Oltre alla sua partnership con OpenAI, che è stata recentemente valutata a 150 miliardi di dollari, Microsoft è anche fortemente impegnata nella ricerca sull’AI, nelle soluzioni cloud e nelle applicazioni per l’ingegneria e il calcolo scientifico.

Per il periodo tra luglio e settembre, l’azienda ha riportato 65,6 miliardi di dollari di vendite, un aumento del 16% rispetto all’anno precedente, mentre i suoi profitti sono aumentati dell’11% a 24,7 miliardi di dollari. Questa crescita è stata trainata dalla domanda “ancora più alta della nostra capacità disponibile”, secondo il direttore finanziario di Microsoft.

3. ANSYS, Inc. (ANSS )

Questa azienda si specializza in software di simulazione di ingegneria per la risoluzione di problemi complessi. L’azienda, i cui servizi vengono utilizzati da studenti, ricercatori, progettisti e ingegneri, sta anche integrando sempre più l’AI per migliorare l’efficienza.

Con un mercato di 29,75 miliardi di dollari, le azioni di Ansys sono attualmente scambiate a 339,51 dollari, in calo del 6,24% dall’inizio dell’anno. Ciò porta il suo EPS (TTM) a 6,47, il P/E (TTM) a 52,55 e il ROE (TTM) al 10,48%.

Per il terzo trimestre del 2024, Ansys ha riportato 601,9 milioni di dollari di ricavi, in aumento del 31% rispetto al terzo trimestre dell’anno precedente, mentre il suo valore contrattuale annuo (ACV) è stato di 540,5 milioni di dollari. Il margine di profitto operativo GAAP è stato del 26,8%, mentre il margine di profitto operativo non GAAP è stato del 45,8%. I flussi di cassa operativi per il periodo sono stati di 174,2 milioni di dollari, mentre i ricavi differiti e il backlog sono stati di 1,463,8 milioni di dollari.

Conclusione

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

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

Clicca qui per sapere tutto sull’investimento in intelligenza artificiale.