Revolutionering av ingeniørvitenskap: AI sin nye rolle i å løse komplekse ligninger raskere enn superdatamaskiner

Superdatamaskiner er kjent for sin høye ytelse, som gjør det mulig for dem å løse komplekse beregningsproblemer. De raskeste datamaskinene i verden kan prosessere enorme datamengder og utføre komplekse beregninger med høy hastighet, og kan løse så mange som en kvintillion beregninger per sekund.

Interessant nok presenterte tech-giganten Google nettopp sin nye generasjons chip kalt ‘Willow’, som opererer ved hjelp av superledende qubits og kan løse et komplekst matematisk problem på bare fem minutter, samtidig som feilene reduseres eksponentielt.

Til tross for sin imponerende ytelse er den kvantemekaniske chippen langt ifra å bryte moderne kryptografi.

I mellomtiden kommer en ny kunstig intelligens (AI) med evnen til å løse komplekse ingeniørvitenskapelige problemer enda raskere enn superdatamaskiner. Den nye teknologiske løsningen kommer fra Johns Hopkins-forskere, som kan bli spillere i ingeniørvitenskapens rom.

Den nye æraen for AI

Etter å ha vært et het emne i årevis, har AI endelig begynt å bli brukt meningsfullt i nøkkelindustrier. Dets enorme potensial til å forbedre effisiens og produktivitet har ført til at markedet vokser utover 184 milliarder dollar i år og er prosjonert å øke inntekten med mer enn 15 billioner dollar innen slutten av dette tiåret.

En nylig rapport fant at 68% av organisasjonene enten aktivt bruker Gen AI eller har utviklet veikart etter suksessfulle pilotimplementeringer.

Ettersom AI fortsetter å transformere ulike industrier, spesielt ingeniørvitenskapens landskap, møter menneskene nå utfordringen med å bli foreldet. Estimater tyder på at opptil 40% av ingeniøroppgavene kan bli automatisert over de neste ti årene.

For å forstå AI sin påvirkning på verden, må vi først forstå at AI bare er en teknologi som gjør det mulig for maskiner og datamaskiner å simulere menneskelig tenkning, læring, forståelse, problemløsning, beslutningstaking og kreativitet.

Under AI ligger maskinlæring, som innebærer å trene en algoritme til å skape modeller som bruker data til å fatte beslutninger og forutsigelser.

Det finnes ulike typer maskinlæringsalgoritmer eller -teknikker, med kunstige neurale nettverk som en av de mest populære typene. Disse nettverkene er modellert etter struktur og funksjon av det menneskelige hjernen.

Dyp læring, en undergruppe av maskinlæring, bruker flerskiktede neurale nettverk som er enda mer effektive til å simulere den komplekse beslutningstakende kraften til det menneskelige hjernen. Disse nettverkene lærer av data og brukes til å løse ulike problemer, fra bilde- og talegjenkjenning til prosessering av naturlig språk.

Dyp læring endrer fullstendig måten maskiner samhandler med kompleks data, med evnen til å overgå menneskelig ytelse samtidig som de oppnår høy nøyaktighet.

Bruke AI til å løse komplekse problemer

AI tilbyr mange fordeler, som automatisering av repetitive oppgaver, færre menneskelige feil, døgnet-rundt-tilgjengelighet og forbedret beslutningstaking, som har ført til at den brukes i alle typer bedrifter over industrier.

Teknologiens evne til å effektivt analysere store datamengder, identifisere mønster som kan ha blitt oversett av mennesker, og til slutt utføre raske beregninger, gjør AI til et utmerket verktøy for å løse komplekse problemer. Når det gjelder å håndtere store datamengder og intrikate beslutningsscenarier som ville være tidskrevende eller umulige for mennesker å håndtere alene, kan AI være usedvanlig nyttig.

Derfor er det en økende fokus på å bruke AI til å løse intrikate problemer. For et år siden brukte forskere fra MIT og ETH Zurich maskinlæring til å løse optimaliseringsproblemet med å rute feriepakker effektivt for selskaper som FedEx.

Disse selskapene bruker programvare kalt mixed-integer linear programming (MILP) solver som deler problemet inn i mindre deler og bruker generiske algoritmer til å finne den beste løsningen, som kan ta timer og sogar dager.

Her er den kritiske delen som saktar ned hele prosessen at MILP-solvere har for mange potensielle løsninger. Forskerne brukte en filtermekanisme til å forenkle dette steget, som økte MILP-solvere med 30-70% uten å påvirke nøyaktigheten. For dette, teknikken baserte seg på prinsippet om avtagende marginale avkastning og deretter brukte maskinlæring, trent med en datamengde spesifikk for problemet, til å finne den optimale løsningen fra det reduserte antallet alternativer.

Nettopp denne måneden lanserte et London-basert startup, PhysicsX, en stor geometrimodell kalt LGM-Aero for romfartsteknologi. Geometri- og fysikkmodellen forventes å bidra til betydelige reduksjoner i tid for å utvikle flykonsepter. Selskapet har gjort en referanseapplikasjon (‘Ai.rplane’) bygget på LGM-Aero offentlig tilgjengelig for å vise modellens evne til å generere flydesign og forutsi fysikk relatert til flyytelse.

Modellen er trent på Amazon Web Services (AWS) cloud compute ved hjelp av over 25 millioner forskjellige former, som representerer over 10 milliarder punkter. Treningdataene inkluderer også en samling av komputasjonelle fluiddynamikk (CFD) og finite elementanalyse (FEA) simuleringer generert i samarbeid med Siemens.

På samme måte som LLM-er forstår tekst, har LGM en omfattende kunnskap om former og strukturer som er viktige for romfartsteknologi, og “kan optimalisere over flere typer fysikk på sekunder, mange størrelsesordener raskere enn numerisk simulering, og på samme nivå av nøyaktighet,” sa CEO Jacomo Corbo.

Dette året lanserte OpenAI, Microsoft-støttede AI-forskningselskapet bak ChatGPT, også sine nyeste modeller, o1-preview og o1-mini, og hevdet en betydelig økning i resonanskapasiteten til store språkmodeller (LLM-er).

Modellen kommer med evnen til å bruke “chain-of-thought reasoning”, lignende det mennesker gjør når de løser et problem, som innebærer å dele komplekse ting inn i små, håndterbare oppgaver. Bruken av menneskelignende resonnering i LLM-er har tidligere blitt observert av Google Research og andre også.

En ny AI-modell for å løse PDE-er

Ettersom bruken og populariteten av AI fortsetter å vokse, gjør også dens evner det. Forskere og selskaper arbeider med å gjøre teknologien bedre og mer nøyaktig.

Den nyeste AI-rammeverket fra Johns Hopkins-forskere tar en generisk tilnærming til å forutsi løsninger på tidskrevende og vanlige matematiske ligninger. De delvis differensielle ligningene (PDE-er) er en utbredt oppgave i ingeniørvitenskap og medisinsk forskning.

Imidlertid kan de beregningsmessige kostnadene forbundet med å løse disse ligningene være prohibitivt høye. Å løse disse massive matematikkproblemer generelt krever superdatamaskiner, men ikke lenger.

Det nye AI-rammeverket gjør det mulig for selv personlige datamaskiner å håndtere disse delvis differensielle ligningene som vitenskapsmenn bruker til å oversette virkelige prosesser eller systemer til matematiske representasjoner av hvordan objekter endrer seg over tid og rom.

Dette er ikke første gang en AI-modell er foreslått for å løse PDE-er; faktisk ble ideen først delt for noen tiår siden. I den nye feltet vitenskapelig maskinlæring, å løse delvis differensielle ligninger med neurale nettverk, har fått mye oppmerksomhet i løpet av det siste tiåret takket være alle fremgangene i beregningsmuligheter for å trene dype neurale nettverk.

Til tross for suksessen med den neurale operatoren, som bruker AI til å lære PDE-løsningen, noterte den nyeste forskningen at beregningsmessige flaskerhalser fortsatt eksisterer når det gjelder oppgaver i optimalisering og prognostisering.

Dette skyldes den neurale operatoren manglende evne til å evaluere PDE-løsninger som er avhengig av geometri.

For øyeblikket er de fleste neurale operatør-rammeverk, som studien noterte, utviklet på et domene med faste grenser. Å ha formasjonsvariasjoner krever om-trening av det neurale nettverket.

Så, med målet om å adresse disse beregningsmessige utfordringene, foreslo forskerne DIMON — Diffeomorphic Mapping Operator Learning. For dette, kombinerer de neurale operatører med diffeomorfe kartlegging mellom domener og former.

Modellen eliminerer behovet for å regne ut rutenett med hver formasjonsendring. På denne måten kan DIMON akselerere simuleringer og optimalisere design ved å forutsi hvordan fysiske elementer som bevegelse, strekk og varme oppfører seg over ulike former, i stedet for å bryte komplekse former ned i små elementer.

Vanligvis innebærer å løse disse ligningene å bryte komplekse former, som menneskelige organer eller flyvinger, ned i rutenett eller mesh bestående av små elementer. Problemet løses deretter på hver enkelt enkel del før det gjenforenes.

Imidlertid, hvis disse formene endrer seg på grunn av en kollisjon eller deformasjon, må rutenettene oppdateres. Dette betyr at løsningene må regnes ut på nytt, noe som gjør hele beregningsprosessen ikke bare dyrekjøpt, men også treg.

DIMON her bruker AI til å forstå hvordan fysiske systemer fungerer med ulike former. Så, forskerne trenger ikke å dele former inn i rutenett og løse ligninger på nytt; i stedet bruker AI mønsterene den har lært til å forutsi hvordan ulike faktorer vil oppføre seg, noe gjør det mer effektivt og raskere å modellere formasjonsbestemte scenarier og optimalisere design.

Ifølge med-lead Natalia Trayanova, en professor i biomedisinsk ingeniørvitenskap og medisin ved Johns Hopkins University:

” Mens motivasjonen til å utvikle det kom fra vårt eget arbeid, er dette en løsning som vi tror vil ha en massiv innvirkning på ulike fagfelt innen ingeniørvitenskap, fordi det er veldig generisk og skalerbart.”

Et vendepunkt for ingeniørvitenskapelige design

Det nye AI-rammeverket tilbyr en tilnærming som gjør det mulig for raske forutsigelser av PDE-løsninger på flere domener. I tillegg muliggjør det mange nedstrømsapplikasjoner som bruker AI.

Snakkende om modellens evner, noterte Trayanova at DIMON kan i praksis arbeide på ethvert problem i ethvert vitenskaps- eller ingeniørvitenskapelig felt for å løse PDE på flere geometrier.

Dette inkluderer kollisjonstesting, å analysere hvordan romfartøyer reagerer på ekstreme miljøer, å vurdere hvordan broer motstår strekk, å studere hvordan væsker propagerer gjennom ulike geometrier, å gjennomføre ortopedisk forskning og å håndtere andre komplekse problemer hvor materialer og former endrer seg.

Modelleringen av alle disse scenariene kan nå gjøres mye raskere takket være det nye AI-rammeverket.

For å demonstrere den nye modellens anvendelighet i å løse andre typer ingeniørvitenskapelige problemer, testet teamet DIMON på over 1 000 “digitale tvillinger” av hjerte. Disse digitale tvillingene er svært detaljerte datamodeller av hjertene til virkelige pasienter.

Det er ved å løse delvis differensielle ligninger at hjertearrytmi studeres. Tilstanden forårsaker uregelmessig hjerteslag på grunn av en elektrisk impulsforstyrrelse. De digitale tvillingene av hjertene gjør det mulig for forskerne å bestemme om pasienter kan få denne tilstanden, som ofte er dødelig, og deretter anbefale måter å behandle den på.

Det nye AI-rammeverket viste seg å være suksessfullt i å forutsi hvordan elektriske signaler overføres gjennom hver unik hjerteform med høy nøyaktighet, uten å måtte utføre dyrekjøpte numeriske simuleringer.

Trayanova, direktøren for Johns Hopkins Alliance for Cardiovascular Diagnostic and Treatment Innovation, anvender data-drevne tilnærminger, komputasjonsmodellering og innovasjoner i kardiovaskulær bildebehandling for å diagnostisere og behandle hjertesykdommer. De introduserer stadig nye teknologier i klinikkene.

Imidlertid noterte hun at deres løsninger fortsatt er for treg, da det tar dem omtrent en uke å skanne et hjerte og løse PDE for å forutsi om pasienten er i høy risiko for plutselig hjertedød og deretter gi den beste behandlingsplanen.

Men dette er nå i ferd med å endre seg dramatisk med deres nyeste modell.

“Med denne nye AI-tilnærmingen er hastigheten på hvilken vi kan få en løsning ubelievable.”

– Trayanova

Tiden det tar å gjøre forutsigelsen av et hjertedigitalt tvilling har blitt redusert fra flere timer til bare en halv minutt (30 sekunder). Dette er ikke alt; beregningen krever ikke engang en superdatamaskin. I stedet gjøres alt på en vanlig datamaskin, noe Trayanova sa ville tillate dem “å gjøre det en del av den daglige kliniske arbeidsflyten”.

Teknologiens fleksibilitet gjør den perfekt for situasjoner hvor løsning av delvis differensielle ligninger på nye former er nødvendig.

“For hvert problem, løser DIMON først delvis differensielle ligninger på en enkelt form og deretter mapper løsningen til flere nye former. Denne formasjonsendrings-evnen understreker dens enorme fleksibilitet. Vi er svært glade for å sette det i arbeid på mange problemer, samt å tilby det til det brede samfunnet for å akselerere deres ingeniørvitenskapelige designløsninger.”

– Minglang Yin, en postdoktorand ved Johns Hopkins Biomedical Engineering, som utviklet plattformen

Selskaper som fremmer AI

Nå, la oss se på selskaper som hjelper å ta den teknologiske revolusjonen av AI til nye høyder.

1. NVIDIA Corporation (NVDA )

En ledende leverandør av grafikkprosessorer, NVIDIA er verdens andre største selskap, med en markedskapitalisering på 3,28 billioner dollar. På skrivetidspunktet handler aksjene til 133,91 dollar, opp en imponerende 171,9% år-til-dato (YTD), mens EPS (TTM) er 2,54, P/E (TTM) er 52,90, og ROE (TTM) er 127,21%, og selskapet betaler en utbytteavkastning på 0,03%.

Selskapets maskinvare- og programvareløsninger er avgjørende for dyp læring og ingeniørvitenskapelige simuleringer, og spiller en viktig rolle i å fremme AI-revolusjonen.

Drevet av AI-mania rapporterte NVIDIA en omsetning på over 35 milliarder dollar for Q3 som sluttede 27. oktober 2024, noe som er en økning på 17% fra forrige kvartal og en massiv økning på 94% fra året før.

“AI-æraen er i full sving, og driver en global skiftning mot NVIDIA-komputering,” sa CEO og grunnlegger Jensen Huang, som også noterte at AI ikke bare transformerer selskaper og industrier, men også land som “er våknet opp til betydningen av å utvikle sin nasjonale AI og infrastruktur.”

2. Microsoft Corporation (MSFT )

Med en markedskapitalisering på 3,32 billioner dollar, er Microsoft blant verdens tre største selskaper målt etter markedskapitalisering. Aksjene handler for tiden til 447,24 dollar, noe som representerer en økning på nesten 19% år-til-dato. Dette setter selskapets EPS (TTM) til 12,11, P/E (TTM) til 36,92, og ROE (TTM) til 35,60%, mens utbytteavkastningen er 0,74%.

Microsofts største engasjement i AI er gjennom OpenAI, hvor de har investert over 13 milliarder dollar. I tillegg til samarbeidet med OpenAI, som nylig ble verdsatt til 150 milliarder dollar, er Microsoft også tungt investert i AI-forskning, skytjenester og applikasjoner for ingeniørvitenskap og vitenskapelig beregning.

For perioden juli til september rapporterte selskapet en omsetning på 65,6 milliarder dollar, en økning på 16% fra året før, mens fortjenesten økte 11% til 24,7 milliarder dollar. Dette veksten var drevet av en etterspørsel som fortsatt “er høyere enn vår tilgjengelige kapasitet,” ifølge Microsofts finansdirektør.

3. ANSYS, Inc. (ANSS )

Dette selskapet spesialiserer seg på ingeniørvitenskapelig simuleringsprogramvare for å løse komplekse problemer. Selskapets tjenester brukes av studenter, forskere, designere og ingeniører, og er også i økende grad integrert med AI for å forbedre effisiensen.

Med en markedskapitalisering på 29,75 milliarder dollar, handler ANSYS-aksjene for tiden til 339,51 dollar, ned 6,24% i år. Dette setter selskapets EPS (TTM) til 6,47, P/E (TTM) til 52,55, og ROE (TTM) til 10,48%.

For Q3 2024 rapporterte ANSYS en omsetning på 601,9 millioner dollar, en økning på 31% fra tredje kvartal i fjor, mens årlig kontraktsverdi (ACV) var 540,5 millioner dollar. GAAP-driftsmarginen var 26,8%, mens non-GAAP-driftsmarginen var 45,8%. Driftsmidlene for perioden var 174,2 millioner dollar, mens forsinket inntekt og backlog var 1,463,8 millioner dollar.

Konklusjon

AI utvikler seg i raskt tempo, og introduksjonen av nye AI-rammeverk som DIMON markerer et revolusjonerende skritt i å løse komplekse ingeniørvitenskapelige problemer samtidig som det dramatisk reduserer tiden og de beregningsmessige kostnadene forbundet med dem. På denne måten akselerer gjennombruddet ikke bare ingeniørvitenskapelige designprosesser, men utvider også AI sin anvendelse over ulike fagfelt.

Ettersom forskere, sammen med selskaper som NVIDIA, fortsetter å gjøre store oppdagelser, bygge kraftfulle modeller og fremme teknologier, vokser potensialet for å integrere AI i daglige arbeidsflyter eksponentielt, noe som peker mot en ny æra hvor AI driver utenforliggende effisiens og innovasjon!

Klikk her for å lære alt om å investere i kunstig intelligens.