Revolutionaire engineering: AI’s nieuwe rol in het oplossen van complexe vergelijkingen sneller dan supercomputers

Supercomputers zijn bekend om hun hoge prestaties, waardoor ze complexe berekeningsproblemen kunnen oplossen. De snelste computers ter wereld kunnen enorme datasets verwerken en complexe berekeningen uitvoeren met hoge snelheden, waardoor ze tot een quintiljoen berekeningen per seconde kunnen uitvoeren.

Interessant is dat de techgigant Google deze week zijn volgende generatie chip heeft onthuld, genaamd ‘Willow’, die werkt met supergeleidende qubits en een complex wiskundig probleem in slechts vijf minuten kan oplossen, terwijl het fouten exponentieel vermindert.

Ondanks zijn indrukwekkende prestaties is de quantumchip nergens in de buurt van het breken van moderne cryptografie.

Tegelijkertijd komt er een nieuwe kunstmatige intelligentie (AI) met de mogelijkheid om complexe ingenieursproblemen zelfs sneller op te lossen dan supercomputers. De nieuwe technologische oplossing komt van onderzoekers van Johns Hopkins, die een game-changer kunnen zijn in de ingenieurswereld.

Het nieuwe tijdperk van AI

Na jaren een hot topic te zijn geweest, begint AI eindelijk op een zinvolle manier te worden gebruikt in sleutelindustrieën. De immense potentie om efficiency en productiviteit te verbeteren, heeft de markt laten groeien tot meer dan $184 miljard dit jaar en wordt verwacht te groeien tot meer dan $15 biljoen tegen het einde van dit decennium.

Een recent rapport vond dat 68% van de organisaties actief Gen AI gebruiken of een roadmap hebben ontwikkeld na succesvolle pilotimplementaties.

Naarmate AI verschillende industrieën blijft transformeren, vooral het ingenieurslandschap, worden mensen geconfronteerd met de uitdaging om achterhaald te worden. Schattingen suggereren dat tot 40% van de ingenieurs taken de komende tien jaar geautomatiseerd kan worden.

Om de impact van AI op de wereld te begrijpen, moeten we eerst begrijpen dat AI simpelweg een technologie is die machines en computers in staat stelt om menselijk denken, leren, begrijpen, probleemoplossing, besluitvorming en creativiteit te simuleren.

Onder AI ligt machine learning, dat het trainen van een algoritme omvamt om modellen te creëren die gegevens gebruiken om beslissingen en voorspellingen te maken.

Er zijn verschillende soorten machine learning-algoritmen of -technieken, waarvan kunstmatige neurale netwerken een van de meest populaire soorten zijn. Deze netwerken zijn gemodelleerd naar de structuur en functie van de menselijke hersenen.

Diepe leer, een subset van machine learning, gebruikt multilaagse neurale netwerken die nog effectiever zijn in het simuleren van de complexe besluitvormingskracht van de menselijke hersenen. Deze netwerken leren van gegevens en worden gebruikt om verschillende problemen op te lossen, van beeld- en spraakherkenning tot het verwerken van natuurlijke taal.

Diepe leer verandert volledig de manier waarop machines interactie hebben met complexe gegevens, met de mogelijkheid om menselijke prestaties te overtreffen en hoge nauwkeurigheid te bereiken.

AI gebruiken om complexe problemen aan te pakken

AI biedt verschillende voordelen, zoals het automatiseren van repetitieve taken, minder menselijke fouten, 24/7-beschikbaarheid en verbeterde besluitvorming, waardoor het wordt toegepast in allerlei soorten bedrijven in verschillende industrieën.

De capaciteit van de technologie om grote hoeveelheden gegevens efficiënt te analyseren, patronen te identificeren die door mensen kunnen zijn gemist en snelle berekeningen uit te voeren, maakt AI een geweldig instrument voor het oplossen van complexe problemen. Wanneer het gaat om het omgaan met grote datasets en ingewikkelde besluitvormingsscenario’s die tijdrovend of onmogelijk voor mensen alleen zouden zijn, kan AI enorm behulpzaam zijn.

Daarom is er een groeiende focus op het gebruik van AI om ingewikkelde problemen op te lossen. Een jaar geleden gebruikten onderzoekers van MIT en ETH Zurich machine learning om het optimalisatieprobleem op te lossen van het efficiënt routeren van pakketten voor bedrijven als FedEx.

Deze bedrijven gebruiken software genaamd mixed-integer lineaire programmering (MILP) solver, die het probleem in kleinere stukjes splitst en generieke algoritmen gebruikt om de beste oplossing te vinden, wat uren en zelfs dagen kan duren.

Hier is het cruciale deel dat het hele proces vertraagt dat MILP-solvers te veel potentiële oplossingen hebben. De onderzoekers gebruikten een filtermechanisme om deze stap te vereenvoudigen, waardoor MILP-solvers tussen 30-70% sneller werden zonder de nauwkeurigheid te beïnvloeden. Voor dit doel vertrouwde de techniek op het principe van afnemende marginale rendementen en gebruikte vervolgens machine learning, getraind met een dataset specifiek voor het probleem, om de optimale oplossing te vinden uit het gereduceerde aantal opties.

Net deze maand introduceerde een Londense startup, PhysicsX, een groot geometrisch model genaamd LGM-Aero voor lucht- en ruimtevaarttechniek. Het geometrische en fysieke model moet een aanzienlijke vermindering van de ontwikkeltijd van vliegtuigconcepten opleveren. Het bedrijf heeft een referentieapplicatie (‘Ai.rplane’) gebouwd op LGM-Aero die openbaar toegankelijk is gemaakt om de mogelijkheden van het model te demonstreren bij het genereren van vliegtuigontwerpen en het voorspellen van fysica met betrekking tot de prestaties van vliegtuigen.

Het model is getraind op Amazon Web Services (AWS) cloud compute met meer dan 25 miljoen verschillende vormen, die meer dan 10 miljard vertices vertegenwoordigen. De trainingsgegevens omvatten ook een verzameling van computervloeistofdynamica (CFD) en eindige elementenanalyse (FEA) simulaties gegenereerd in samenwerking met Siemens.

Net zoals LLM’s tekst begrijpen, heeft de LGM een enorme kennis van de vormen en structuren die belangrijk zijn voor lucht- en ruimtevaarttechniek en kan het “optimaliseren over meerdere soorten fysica in seconden, vele ordes van grootte sneller dan numerieke simulatie, en op hetzelfde niveau van nauwkeurigheid”, aldus CEO Jacomo Corbo.

Dit jaar onthulde OpenAI, het door Microsoft gesteunde AI-onderzoeksbedrijf achter ChatGPT, ook zijn laatste modellen, de o1-preview en o1-mini, met een aanzienlijke sprong in de redeneervaardigheden van grote taalmodellen (LLM’s).

Het model komt met de mogelijkheid om “chain-of-thought reasoning” te gebruiken, vergelijkbaar met wat mensen doen wanneer ze een probleem oplossen, wat inhoudt dat complexe dingen worden opgedeeld in kleine, beheersbare taken. De toepassing van menselijke redenering in LLM’s is eerder waargenomen door Google Research en anderen.

Een nieuw AI-model om PDE’s op te lossen

Naarmate het gebruik en de populariteit van AI blijven groeien, groeien ook de mogelijkheden, met onderzoekers en bedrijven die werken aan het verbeteren van de technologie en het maken ervan nauwkeuriger.

Het laatste AI-raamwerk van onderzoekers van Johns Hopkins neemt een generische aanpak om oplossingen voor tijdrovende en veelvoorkomende wiskundige vergelijkingen te voorspellen. De partiële differentiaalvergelijkingen (PDE’s) zijn een alomtegenwoordige taak in het veld van ingenieurswetenschap en medisch onderzoek.

Echter, de berekeningskosten die zijn gemoeid met het oplossen van deze vergelijkingen, kunnen prohibitief hoog zijn. Bovendien vereist het oplossen van deze enorme wiskundige problemen meestal supercomputers, maar dat is niet langer het geval.

Het nieuwe AI-raamwerk stelt zelfs persoonlijke computers in staat om deze partiële differentiaalvergelijkingen aan te pakken die wetenschappers gebruiken om echte processen of systemen om te zetten in wiskundige voorstellingen van hoe objecten veranderen in de loop van de tijd en ruimte.

Dit is niet de eerste keer dat een AI-model is voorgesteld om PDE’s op te lossen; in feite is het idee een paar decennia geleden voor het eerst gedeeld. In het opkomende veld van wetenschappelijk machine learning is het oplossen van partiële differentiaalvergelijkingen met neurale netwerken de aandacht aan het trekken de afgelopen decennium dankzij alle vooruitgang in de berekeningsmogelijkheden voor het trainen van diepe neurale netwerken.

Ondanks het succes van de neurale operator, die AI gebruikt om de PDE-oplosser te leren, merkte het recente onderzoek op dat berekeningsbottlenecks blijven bestaan bij het uitvoeren van taken in optimalisatie en prognosticatie. Dit komt door de onmogelijkheid van de neurale operators om PDE-oplossingen te evalueren die afhankelijk zijn van geometrie.

Momenteel zijn de meeste neurale operator-kaders, zoals het onderzoek opmerkte, ontwikkeld op een domein met vaste grenzen. Ook vereist het hebben van vormvariaties het opnieuw trainen van het neurale netwerk.

Om deze berekeningsuitdagingen aan te pakken, stelden de onderzoekers DIMON voor — Diffeomorphic Mapping Operator Learning. Hiervoor combineerden ze neurale operators met diffeomorfe mappings tussen domeinen en vormen.

Het model elimineert de noodzaak om roosters opnieuw te berekenen bij elke vormverandering. Op deze manier kan DIMON simulaties versnellen en ontwerpen optimaliseren door te voorspellen hoe fysieke elementen zoals beweging, spanning en warmte zich gedragen over verschillende vormen, in plaats van complexe vormen op te breken in kleine elementen.

In het algemeen houdt het oplossen van deze vergelijkingen in dat complexe vormen, zoals menselijke organen of vleugels van vliegtuigen, worden opgedeeld in roosters of netwerken van kleine elementen. Het probleem wordt dan opgelost op elk eenvoudig stuk voordat het wordt hercombineerd.

Echter, als deze vormen veranderen als gevolg van een crash of vervorming, moeten de roosters worden bijgewerkt. Dit betekent dat de oplossingen opnieuw moeten worden berekend, wat het hele berekeningsproces niet alleen duur maar ook langzaam maakt.

DIMON gebruikt hier AI om te begrijpen hoe fysieke systemen werken met verschillende vormen. Dus, onderzoekers hoeven vormen niet langer op te delen in roosters en vergelijkingen opnieuw op te lossen; in plaats daarvan gebruikt de AI de patronen die het heeft geleerd om te voorspellen hoe verschillende factoren zullen gedragen, waardoor het efficiënter en sneller is om vormspecifieke scenario’s te modelleren en ontwerpen te optimaliseren.

Volgens co-leider Natalia Trayanova, een hoogleraar bio-medische techniek en geneeskunde aan de Johns Hopkins University:

“Terwijl de motivatie om het te ontwikkelen uit ons eigen werk kwam, is dit een oplossing die we denken dat een enorme impact zal hebben op verschillende ingenieursvelden, omdat het zeer generiek en schaalbaar is.”

Een keerpunt voor ingenieursontwerpen

Het nieuwe AI-raamwerk biedt een aanpak die het mogelijk maakt om PDE-oplossingen snel te voorspellen op meerdere domeinen. Bovendien faciliteert het veel downstream-toepassingen met AI.

Trayanova merkte op dat DIMON in principe op elk probleem in elk wetenschappelijk of ingenieursveld kan werken om PDE’s op te lossen op meerdere geometrieën.

Dit omvat crashtests, het analyseren van hoe ruimtevaartuigen reageren op extreme omgevingsfactoren, het beoordelen van hoe bruggen weerstand bieden tegen stress, het bestuderen van hoe vloeistoffen zich door verschillende geometrieën verplaatsen, het doen van orthopedisch onderzoek en het aanpakken van andere complexe problemen waar materialen en vormen veranderen. Het modelleren van al deze scenario’s kan nu veel sneller worden gemaakt dankzij het nieuwe AI-raamwerk.

Om de toepasbaarheid van het nieuwe model in het oplossen van andere soorten ingenieursproblemen te demonstreren, testte het team DIMON op meer dan 1.000 “digitale tweelingen” van het hart. Deze digitale tweelingen zijn zeer gedetailleerde computermodellen van de harten van echte patiënten.

Het is door het oplossen van partiële differentiaalvergelijkingen dat hartritmestoornissen worden bestudeerd. De aandoening veroorzaakt een onregelmatige hartslag door een misgedrag van de elektrische impuls. De digitale tweelingen van harten stellen onderzoekers in staat om te bepalen of patiënten mogelijk deze aandoening kunnen krijgen, die vaak dodelijk is, en vervolgens manieren aan te bevelen om het te behandelen.

Het nieuwe AI-raamwerk bleek succesvol in het voorspellen van hoe elektrische signalen door elke unieke hartvorm worden overgedragen met hoge nauwkeurigheid, zonder dat dure numerieke simulaties nodig waren.

Trayanova, de directeur van de Johns Hopkins Alliance for Cardiovascular Diagnostic and Treatment Innovation, past gegevensgestuurde benaderingen, computationele modellering en innovaties in cardiale beeldvorming toe om cardiovasculaire ziekten te diagnosticeren en te behandelen. Zij introduceren voortdurend nieuwe technologie in de kliniek.

Echter, zij merkte op dat hun oplossingen nog steeds te langzaam zijn, aangezien het ongeveer een week duurt om het hart van een patiënt te scannen en PDE’s op te lossen om te voorspellen of de patiënt een hoog risico loopt op plotselinge hartdood en vervolgens het beste behandelingsplan te bieden.

Maar dit ondergaat een monumentale verschuiving met hun laatste model.

“Met deze nieuwe AI-aanpak is de snelheid waarmee we een oplossing kunnen hebben ongelofelijk.”

– Trayanova

De tijd die nodig is om de voorspelling van een digitale tweeling van het hart te maken, is teruggebracht van enkele uren tot slechts een halve minuut (30 seconden). Dit is nog niet alles; de berekening hiervan vereist geen supercomputer. In plaats daarvan gebeurt het allemaal op een desktopcomputer, wat Trayanova zei dat het zou toelaten “om het deel te maken van de dagelijkse klinische workflow”.

De veelzijdigheid van de technologie maakt het perfect voor situaties waarin het oplossen van partiële differentiaalvergelijkingen op nieuwe vormen herhaaldelijk nodig is.

“Voor elk probleem lost DIMON eerst de partiële differentiaalvergelijkingen op op één vorm en kaart de oplossing vervolgens naar meerdere nieuwe vormen. Deze vorm-veranderende capaciteit benadrukt zijn enorme veelzijdigheid. We zijn erg enthousiast om het te gebruiken voor veel problemen en om het ook beschikbaar te stellen aan de bredere gemeenschap om hun ingenieursontwerpoplossingen te versnellen.”

– Minglang Yin, een postdoc-fellow aan de Johns Hopkins Biomedical Engineering, die het platform ontwikkelde

Bedrijven die AI naar nieuwe hoogtes tillen

Laten we nu eens kijken naar bedrijven die de technologische revolutie van AI naar nieuwe hoogtes tillen.

1. NVIDIA Corporation (NVDA )

Een toonaangevende leverancier van GPU’s, Nvidia is ‘s werelds tweede grootste bedrijf, met een marktwaarde van $3,28 biljoen. Op het moment van schrijven worden de aandelen verhandeld tegen $133,91, een stijging van 171,9% ten opzichte van het voorgaande jaar, met een EPS (TTM) van 2,54, een P/E (TTM) van 52,90 en een ROE (TTM) van 127,21%, en een dividendrendement van 0,03%.

De hardware- en softwareoplossingen van het bedrijf zijn cruciaal voor deep learning-toepassingen en ingenieurssimulaties, en spelen een belangrijke rol bij het vooruit helpen van de AI-revolutie.

Gedreven door AI-manie, rapporteerde Nvidia een omzet van meer dan $35 miljard voor het derde kwartaal van het fiscale jaar 2025, eindigend op 27 oktober 2024, een stijging van 17% ten opzichte van het voorgaande kwartaal en een enorme stijging van 94% ten opzichte van een jaar geleden.

“De leeftijd van AI is in volle gang, waardoor een wereldwijde verschuiving naar NVIDIA-computing plaatsvindt”, zei CEO en oprichter Jensen Huang, die verder opmerkte dat AI niet alleen bedrijven en industrieën transformeert, maar ook landen die “wakker zijn geworden voor het belang van het ontwikkelen van hun nationale AI en infrastructuur”.

2. Microsoft Corporation (MSFT )

Met een marktwaarde van $3,32 biljoen behoort Microsoft tot de top drie bedrijven ter wereld naar marktwaarde. De aandelen worden op het moment van schrijven verhandeld tegen $447,24, een stijging van bijna 19% ten opzichte van het voorgaande jaar, met een EPS (TTM) van 12,11, een P/E (TTM) van 36,92 en een ROE (TTM) van 35,60%, en een dividendrendement van 0,74%.

Microsofts grootste betrokkenheid bij AI is via OpenAI, waarin het meer dan $13 miljard heeft geïnvesteerd. Naast de samenwerking met OpenAI, die onlangs werd gewaardeerd op $150 miljard, is Microsoft ook zwaar geïnvesteerd in AI-onderzoek, cloudoplossingen en toepassingen voor ingenieurs- en wetenschappelijke berekeningen.

Voor de periode tussen juli en september rapporteerde het bedrijf $65,6 miljard aan omzet, een stijging van 16% ten opzichte van een jaar geleden, terwijl de winst 11% steeg tot $24,7 miljard. Deze groei werd aangedreven door een vraag die “hoger is dan onze beschikbare capaciteit”, aldus de financiële directeur van Microsoft.

3. ANSYS, Inc. (ANSS )

Dit bedrijf specialiseert zich in ingenieurssimulatiesoftware voor het oplossen van complexe problemen. De diensten van het bedrijf worden gebruikt door studenten, onderzoekers, ontwerpers en ingenieurs, en het bedrijf integreert ook steeds meer AI om efficiency te verbeteren.

Met een marktwaarde van $29,75 miljard worden de aandelen van Ansys op het moment van schrijven verhandeld tegen $339,51, een daling van 6,24% dit jaar, met een EPS (TTM) van 6,47, een P/E (TTM) van 52,55 en een ROE (TTM) van 10,48%.

Voor het derde kwartaal van 2024 rapporteerde Ansys een omzet van $601,9 miljoen, een stijging van 31% ten opzichte van het derde kwartaal van het voorgaande jaar, terwijl de jaarlijkse contractwaarde (ACV) $540,5 miljoen bedroeg. De GAAP-bedrijfsresultaatmarge was 26,8%, terwijl de non-GAAP-bedrijfsresultaatmarge 45,8% bedroeg. De operationele kasstromen voor de periode bedroegen $174,2 miljoen, terwijl de uitgestelde omzet en backlog $1,463,8 miljoen bedroegen.

Conclusie

AI ontwikkelt zich in een rap tempo, en de introductie van nieuwe AI-kaders zoals DIMON markeert een revolutionaire stap in het oplossen van complexe ingenieursproblemen, terwijl de tijd en de berekeningskosten die daarmee gemoeid zijn, aanzienlijk worden verminderd. Deze doorbraak versnelt niet alleen de ingenieursontwerpprocessen, maar breidt ook de toepassing van AI uit naar diverse velden.

Naarmate onderzoekers, samen met bedrijven als Nvidia, grote ontdekkingen doen, krachtige modellen bouwen en technologieën vooruit helpen, groeit het potentieel voor het integreren van AI in dagelijkse workflows exponentieel, wat wijst op een nieuw tijdperk waarin AI ongekende efficiency en innovatie aandrijft.

Klik hier om alles te leren over investeren in kunstmatige intelligentie.