Revolutie in de techniek: de nieuwe rol van AI bij het oplossen van complexe vergelijkingen sneller dan supercomputers

Supercomputers staan bekend om hun hoge prestaties, waardoor ze complexe computationele problemen kunnen oplossen. De snelste computers ter wereld, deze machines kunnen enorme datasets verwerken en complexe berekeningen uitvoeren met hoge snelheid, in staat om tot wel één quintiljoen berekeningen per seconde uit te voeren.

Interessant genoeg heeft de techgigant Google deze week haar next-gen chip genaamd ‘Willow’ onthuld, die werkt met supergeleidende qubits en een complex wiskundig probleem in slechts vijf minuten kan oplossen, terwijl fouten exponentieel worden verminderd.

Ondanks de indrukwekkende prestaties is de quantumchip verre van het breken van moderne cryptografie.

Te midden hiervan komt er een nieuwe kunstmatige intelligentie (AI) met het vermogen om complexe technische problemen nog sneller op te lossen dan supercomputers. De nieuwe technologische oplossing komt van onderzoekers van Johns Hopkins, die een revolutie kunnen betekenen in de engineeringsector.

Het Nieuwe Tijdperk van AI 

Na jarenlang een hot topic te zijn geweest, wordt AI eindelijk op een betekenisvolle manier ingezet in belangrijke sectoren. Het enorme potentieel om efficiëntie en productiviteit te verbeteren heeft de markt groeiend tot meer dan $184 miljard dit jaar en is voorspeld om de omzet met meer dan $15 biljoen te verhogen tegen het einde van dit decennium. 

Een recent rapport wees uit dat 68% van de organisaties AI actief gebruiken of roadmaps hebben ontwikkeld na succesvolle pilotimplementaties.

Naarmate AI blijft verschillende industrieën transformeren, vooral het engineeringlandschap, worden mensen geconfronteerd met de uitdaging verouderd te raken. Schattingen suggereren dat in het komende decennium tot 40% van de engineeringtaken geautomatiseerd kan worden.

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

Onder AI ligt machine learning, waarbij een algoritme wordt getraind om modellen te creëren die data gebruiken om beslissingen en voorspellingen te maken.

Er zijn verschillende soorten machine learning-algoritmen of -technieken, waarbij kunstmatige neurale netwerken een van de populairste types zijn. Deze netwerken zijn gemodelleerd naar de structuur en functie van het menselijk brein.

Deep learning, een subset van machine learning, maakt gebruik van meerlagige neurale netwerken die nog effectiever zijn in het simuleren van de complexe besluitvormingskracht van het menselijk brein. Deze netwerken leren van data en worden gebruikt om verschillende problemen op te lossen, variërend van beeld- en spraakherkenning tot het verwerken van natuurlijke taal.

Deep Learning verandert volledig de manier waarop machines omgaan met complexe data, met het vermogen om de menselijke prestaties te overtreffen terwijl ze een hoge nauwkeurigheid behalen.

AI gebruiken om complexe problemen aan te pakken 

AI biedt tal van voordelen, zoals automatisering van repetitieve taken, minder menselijke fouten, 24/7 beschikbaarheid en verbeterde besluitvorming, wat heeft geleid tot de toepassing ervan in allerlei bedrijven over verschillende sectoren.

Het vermogen van de technologie om efficiënt enorme hoeveelheden data te analyseren, patronen te identificeren die door mensen over het hoofd kunnen worden gezien, en uiteindelijk snelle berekeningen uit te voeren, maakt AI een geweldig hulpmiddel voor het oplossen van complexe problemen. Bij 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 inzetten van AI om ingewikkelde vraagstukken op te lossen. Een jaar geleden gebruikten onderzoekers van MIT en ETH Zürich machine learning om het optimalisatieprobleem op te lossen van het efficiënt routeren van vakantiepakketten voor bedrijven zoals FedEx.

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

Hier is het cruciale onderdeel 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 met 30-70% sneller werden zonder de nauwkeurigheid te beïnvloeden. Hiervoor baseerde de techniek zich op het principe van afnemende marginale opbrengsten en gebruikte vervolgens machine learning, getraind met een dataset specifiek voor het probleem, om de optimale oplossing te vinden uit het gereduceerde aantal opties.

Eerder deze maand introduceerde een in Londen gevestigd startup, PhysicsX, een groot geometrisch model genaamd LGM-Aero voor lucht- en ruimtevaarttechniek. Het geometrie- en fysica-model wordt verwacht aanzienlijke verkortingen te brengen in de ontwikkeltijd van vliegtuigconcepten. Het bedrijf heeft een referentie‑applicatie (‘Ai.rplane’) gebouwd op LGM-Aero publiekelijk toegankelijk gemaakt om de mogelijkheden van het model te demonstreren in het genereren van vliegtuigontwerpen en het voorspellen van fysica gerelateerd aan de prestaties van vliegtuigen.

Het model is getraind op Amazon Web Services (AWS) cloud computing met meer dan 25 miljoen verschillende vormen, die meer dan 10 miljard vertices vertegenwoordigen. De trainingsdata omvat ook een verzameling computational fluid dynamics (CFD) en finite element analysis (FEA) simulaties die in samenwerking met Siemens zijn gegenereerd.

Net zoals LLM’s tekst begrijpen, heeft de LGM een uitgebreide kennis van de vormen en structuren die belangrijk zijn voor lucht- en ruimtevaarttechniek en kan, aldus CEO Jacomo Corbo, ‘in seconden optimaliseren over meerdere soorten fysica, vele orders van grootte sneller dan numerieke simulatie, en met hetzelfde nauwkeurigheidsniveau.’

Dit jaar heeft OpenAI, het door Microsoft gesteunde AI-onderzoeksbedrijf achter ChatGPT, ook haar nieuwste modellen, de o1-preview en o1-mini, onthuld, met de claim een aanzienlijke sprong in de redeneercapaciteiten van grote taalmodellen (LLM’s).

Het model beschikt over de mogelijkheid om ‘chain-of-thought reasoning’ te gebruiken, vergelijkbaar met wat mensen doen bij het oplossen van een probleem, waarbij complexe zaken worden opgesplitst in kleine, beheersbare taken. De toepassing van mensachtige 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, doen ook de mogelijkheden ervan een stap vooruit, met onderzoekers en bedrijven die werken aan het verbeteren en nauwkeuriger maken van de technologie.

Het nieuwste AI-framework van Johns Hopkins-onderzoekers neemt een generieke benadering om oplossingen te voorspellen voor tijdrovende en veelvoorkomende wiskundige vergelijkingen. De partiële differentiaalvergelijkingen (PDE’s) vormen een alomtegenwoordige taak in de engineering- en medische onderzoek.

Echter kunnen de computationele kosten die gepaard gaan met het oplossen van deze vergelijkingen buitensporig hoog zijn. Bovendien vereisten het oplossen van deze enorme wiskundige problemen doorgaans supercomputers, maar dat is nu niet meer het geval.

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

Dit is niet de eerste keer dat een AI-model wordt voorgesteld om PDE’s op te lossen; in feite werd het idee voor het eerst gedeeld enkele decennia geleden. In het opkomende veld van wetenschappelijk machine learning krijgt het oplossen van partiële differentiaalvergelijkingen met neurale netwerken de afgelopen decennium veel aandacht, dankzij de vooruitgang in computationele mogelijkheden voor het trainen van diepe neurale netwerken.

Ondanks het succes van de neural operator, die AI gebruikt om de PDE-oplossingsoperator te leren, merkte recent onderzoek op dat computationele knelpunten blijven bestaan bij het uitvoeren van taken in optimalisatie en prognose. Dit komt doordat neural operators niet in staat zijn PDE-oplossingen te evalueren die afhankelijk zijn van geometrie.

Momenteel worden de meeste neural operator-frameworks, zoals de studie opmerkt, ontwikkeld op een domein met vaste grenzen. Bovendien vereist variatie in vormen het opnieuw trainen van het neurale netwerk.

Dus, met het doel deze computationele uitdagingen aan te pakken, stelden de onderzoekers DIMON — Diffeomorphic Mapping Operator Learning — voor. Hiervoor combineerden ze neural operators met diffeomorfe mappings tussen domeinen en vormen.

Het model elimineert de noodzaak om rasters 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 delen in kleine elementen.

Over het algemeen omvat het oplossen van deze vergelijkingen het opdelen van complexe vormen, zoals menselijke organen of vliegtuigvleugels, in rasters of meshes van kleine elementen. Het probleem wordt vervolgens op elk eenvoudig onderdeel opgelost voordat het wordt samengevoegd.

Echter, als deze vormen veranderen door een crash of vervorming, moeten de rasters worden bijgewerkt. Dit betekent dat de oplossingen ook opnieuw moeten worden berekend, waardoor het volledige berekeningsproces niet alleen duur maar ook traag wordt.

DIMON maakt hier gebruik van AI om te begrijpen hoe fysieke systemen werken met verschillende vormen. Zo hoeven onderzoekers vormen niet meer in rasters te verdelen en steeds opnieuw vergelijkingen op te lossen; in plaats daarvan maakt de AI gebruik van de patronen die het heeft geleerd om te voorspellen hoe verschillende factoren zich zullen gedragen, waardoor het efficiënter en sneller wordt om vormspecifieke scenario’s te modelleren en ontwerpen te optimaliseren.

Volgens co-leider Natalia Trayanova, professor in biomedische techniek en geneeskunde aan de Johns Hopkins University:

“Hoewel de motivatie om het te ontwikkelen voortkwam uit ons eigen werk, is dit een oplossing waarvan we denken dat die over het algemeen een enorme impact zal hebben op verschillende engineeringgebieden omdat het zeer generiek en schaalbaar is.”

Een keerpunt voor engineeringontwerpen

Het nieuwe AI-framework biedt een benadering die snelle voorspelling van PDE-oplossingen op meerdere domeinen mogelijk maakt. Bovendien faciliteert het vele downstream-toepassingen met AI.

Over de mogelijkheden van het model gesproken, merkte Trayanova op dat DIMON in principe op elk probleem in elk wetenschaps- of engineeringgebied kan werken om PDE’s op meerdere geometrieën op te lossen.

Dit omvat crash-tests, het analyseren hoe ruimtevaartuigen reageren op extreme omgevingen, het beoordelen hoe bruggen weerstand bieden aan spanning, het bestuderen hoe vloeistoffen zich verspreiden door verschillende geometrieën, orthopedisch onderzoek, en het aanpakken van andere complexe problemen waarbij materialen en vormen veranderen. Het modelleren van al deze scenario’s kan nu veel sneller worden uitgevoerd dankzij het nieuwe AI-framework.

Om de toepasbaarheid van het nieuwe model bij het oplossen van andere soorten engineeringproblemen te demonstreren, testte het team DIMON op meer dan 1.000 hart ‘digitale tweelingen’. 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 onregelmatige hartslagen door een afwijkend elektrisch impuls. De digitale tweelingen van harten stellen onderzoekers in staat te bepalen of patiënten deze vaak dodelijke aandoening kunnen krijgen, en vervolgens behandelmethoden aan te bevelen.

Het nieuwe AI-framework bleek succesvol te zijn in het voorspellen hoe elektrische signalen zich door elke unieke hartvorm verspreiden met hoge nauwkeurigheid, zonder zelfs dure numerieke simulaties uit te voeren.

Trayanova, de directeur van de Johns Hopkins Alliance for Cardiovascular Diagnostic and Treatment Innovation, past data‑gedreven benaderingen, computationele modellering en innovaties in hartbeeldvorming toe om hart‑ en vaatziekten te diagnosticeren en te behandelen. Ze introduceren voortdurend nieuwe technologie in de kliniek.

Echter merkte ze op dat hun oplossingen nog steeds te traag zijn, aangezien het ongeveer een week duurt om het hart van een patiënt te scannen en PDE op te lossen om te voorspellen of de patiënt een hoog risico heeft op plotselinge hartdood, en vervolgens het beste behandelplan te bieden.

Maar dit ondergaat een monumentale verschuiving met hun nieuwste model.

“Met deze nieuwe AI‑benadering is de snelheid waarmee we een oplossing kunnen krijgen ongelooflijk.”

– Trayanova

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

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

“Voor elk probleem lost DIMON eerst de partiële differentiaalvergelijkingen op een enkele vorm op en map vervolgens de oplossing naar meerdere nieuwe vormen. Deze vormveranderende mogelijkheid benadrukt zijn enorme veelzijdigheid. We zijn zeer enthousiast om het in te zetten voor vele problemen en om het beschikbaar te stellen aan de bredere gemeenschap om hun engineeringontwerpoplossingen te versnellen.”

– Minglang Yin, een postdoc fellow aan Johns Hopkins Biomedical Engineering, die het platform heeft ontwikkeld

Bedrijven die AI vooruit helpen

Laten we nu kijken naar bedrijven die de technologische revolutie van AI naar nieuwe hoogten helpen brengen.

1. NVIDIA Corporation (NVDA )

Een toonaangevende leverancier van GPU’s, Nvidia is ‘s werelds tweede grootste bedrijf, met een marktkapitalisatie van $3,28 biljoen. Op het moment van schrijven worden de aandelen verhandeld tegen $133,91, een stijging van maar liefst 171,9% jaar‑tot‑datum (YTD), met een EPS (TTM) van 2,54, een P/E (TTM) van 52,90, en een ROE (TTM) van 127,21% terwijl er een dividendrendement van 0,03% wordt betaald.

De hardware- en softwareoplossingen van het bedrijf zijn cruciaal voor deep‑learning‑toepassingen en engineering‑simulaties, en spelen een belangrijke rol in het voortstuwen van de AI‑revolutie.

Gedreven door AI‑mania rapporteerde Nvidia een omzet van meer dan $35 miljard voor Q3 eindigend op 27 oktober 2024, wat een stijging van 17% ten opzichte van het vorige kwartaal en een enorme stijging van 94% ten opzichte van een jaar geleden betekent.

“Het tijdperk van AI is in volle gang en drijft een wereldwijde verschuiving naar NVIDIA-computing,” zei CEO en oprichter Jensen Huang, die bovendien opmerkte dat AI niet alleen bedrijven en industrieën transformeert, maar ook landen die “ontwaakt zijn voor het belang van het ontwikkelen van hun nationale AI en infrastructuur”.

2. Microsoft Corporation (MSFT )  

Met een marktkapitalisatie van $3,32 biljoen behoort Microsoft tot de top drie bedrijven wereldwijd op basis van marktkapitalisatie. De aandelen worden, op het moment van schrijven, verhandeld tegen $447,24, wat een stijging van bijna 19% YTD vertegenwoordigt. Dit zet de EPS (TTM) van het bedrijf op 12,11, de P/E (TTM) op 36,92, en de ROE (TTM) op 35,60%. Het dividendrendement dat Microsoft betaalt, bedraagt ondertussen 0,74%.

Microsoft’s grootste betrokkenheid bij AI is via OpenAI, waarin het meer dan $13 miljard heeft geïnvesteerd. Naast haar partnerschap met OpenAI, dat recentelijk werd gewaardeerd op $150 miljard, is Microsoft ook sterk geïnvesteerd in AI-onderzoek, cloudoplossingen en toepassingen voor engineering en wetenschappelijk rekenen.

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

3. ANSYS, Inc. (ANSS )

Dit bedrijf specialiseert zich in engineering‑simulatiesoftware voor het oplossen van complexe problemen. De diensten van het bedrijf worden gebruikt door studenten, onderzoekers, ontwerpers en ingenieurs, en het integreert steeds meer AI om de efficiëntie te verbeteren.

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

Voor 3Q24 rapporteerde Ansys $601,9 miljoen aan omzet, een stijging van 31% ten opzichte van het derde kwartaal van vorig jaar, terwijl de jaarlijkse contractwaarde (ACV) $540,5 miljoen bedroeg. De GAAP operationele winstmarge werd gerapporteerd op 26,8%, terwijl de non‑GAAP operationele winstmarge 45,8% bedroeg. De operationele kasstromen voor de periode bedroegen $174,2 miljoen, terwijl de uitgestelde omzet en de backlog $1.463,8 miljoen waren.

Conclusie 

AI ontwikkelt zich in een rap tempo, en de introductie van nieuwe AI-frameworks zoals DIMON markeert een revolutionaire stap in het oplossen van complexe engineeringproblemen, terwijl de tijd en computationele kosten die ermee gepaard gaan drastisch worden verminderd. Op deze manier versnelt de doorbraak niet alleen de engineering‑ontwerpprocessen, maar breidt ook de toepassing van AI uit naar diverse vakgebieden.

Naarmate onderzoekers, samen met bedrijven zoals Nvidia, grote ontdekkingen blijven doen, krachtige modellen bouwen en technologieën vooruitstuwen, groeit het potentieel om AI in alledaagse workflows te integreren exponentieel, wat wijst op een nieuw tijdperk waarin AI ongekende efficiëntie en innovatie aandrijft!

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