Revolusjonerende ingeniørkunst: AI sin nye rolle i å løse komplekse ligninger raskere enn superdatamaskiner

Superdatamaskiner er kjent for sin høye ytelse, som gjør dem i stand til å løse komplekse beregningsproblemer. De raskeste datamaskinene i verden, disse maskinene kan behandle massive datasett og utføre komplekse beregninger med høy hastighet, og er i stand til å løse opptil en kvintillion beregninger per sekund.

Interessant nok, bare denne uken, avduket teknologigiganten Google sin neste generasjonsbrikke kalt ‘Willow’, som opererer med superledende qubiter og kan løse et komplekst matematisk problem på bare fem minutter samtidig som den reduserer feil eksponentielt. 

Til tross for sin imponerende ytelse, er den kvantebrikken ikke engang i nærheten av å bryte moderne kryptografi.

Midt i alt dette kommer en ny kunstig intelligens (AI) med evnen til å løse komplekse ingeniørproblemer enda raskere enn superdatamaskiner. Den nye teknologiske løsningen kommer fra forskere ved Johns Hopkins, som kan bli spillendringer innen ingeniørfeltet.

Den nye æraen for AI 

Etter å ha vært et hett tema i flere år, har AI endelig begynt å bli brukt meningsfullt på tvers av viktige industrier. Dens enorme potensial til å forbedre effektivitet og produktivitet har markedet vokser til over $184 milliarder i år og er projisert til å øke inntektene med mer enn $15 trillioner innen slutten av dette tiåret. 

En nylig rapport fant at 68 % av organisasjonene enten aktivt bruker generativ AI eller har utviklet veikart etter vellykkede pilotprosjekter. 

Etter hvert som AI fortsetter å transformere ulike industrier, spesielt ingeniørlandskapet, står folk nå overfor utfordringen med å bli utdaterte. Estimater antyder at i løpet av det neste tiåret kan opptil 40 % av ingeniøroppgavene automatiseres.

For å forstå AI sin påvirkning på verden, må vi først forstå at AI simpelthen 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 lage modeller som bruker data for å ta beslutninger og gjøre prediksjoner. 

Det finnes ulike typer maskinlæringsalgoritmer eller -teknikker, hvor kunstige nevrale nettverk er en av de mest populære. Disse nettverkene er modellert etter strukturen og funksjonen til den menneskelige hjernen. 

Dyp læring, en undergruppe av maskinlæring, bruker flerlags nevrale nettverk som er enda mer effektive til å simulere den komplekse beslutningstakingen i den menneskelige hjernen. Disse nettverkene lærer fra data og brukes til å løse ulike problemer, fra bilde- og talegjenkjenning til behandling av naturlig språk. 

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

Bruke AI til å løse komplekse problemer 

AI tilbyr mange fordeler, som automatisering av repeterende oppgaver, færre menneskelige feil, døgnkontinuerlig tilgjengelighet og forbedret beslutningstaking, noe som har ført til at den brukes i alle slags virksomheter på tvers av industrier.

Teknologiens evne til effektivt å analysere enorme mengder data, identifisere mønstre som kan ha blitt oversett av mennesker, og til slutt utføre raske beregninger gjør AI til et great tool for solving complex problems. Når man håndterer store datasett og intrikate beslutningsscenarier som ville vært tidkrevende eller umulige for mennesker å løse alene, kan AI være enormt hjelpsom.

Derfor øker fokuset på å bruke AI til å løse intrikate problemer. For ett år siden brukte forskere fra MIT og ETH Zürich maskinlæring for å løse optimaliseringsproblemet med effektiv ruteplanlegging av feriereiser for selskaper som FedEx.

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

Her er den kritiske delen som bremser hele prosessen at MILP‑solvere har for mange potensielle løsninger. Forskerne brukte en filtreringsmekanisme for å forenkle dette trinnet, noe som økte hastigheten på MILP‑solvere med 30‑70 % uten å påvirke nøyaktigheten. For dette baserte teknikken seg på prinsippet om avtagende marginalavkastning og deretter brukte maskinlæring, trent med et datasett spesifikt for problemet, for å finne den optimale løsningen fra det reduserte antallet alternativer.

Tidligere denne måneden introduserte det London-baserte oppstartsselskapet PhysicsX en stor geometrimodell kalt LGM-Aero for romfartsingeniørkunst. Geometri‑ og fysikkmodellen forventes å bidra til betydelige reduksjoner i utviklingstid for flykonsepter. Selskapet har gjort en referanseapplikasjon (‘Ai.rplane’) bygget på LGM‑Aero offentlig tilgjengelig for å demonstrere modellens evner til å generere flydesign og forutsi fysikk relatert til flyytelse. 

Modellen er trent på Amazon Web Services (AWS) sky‑databehandling ved bruk av over 25 millioner ulike former, som representerer over 10 milliarder vertices. Treningsdataene inkluderer også en samling av computational fluid dynamics (CFD) og finite element analysis (FEA)‑simuleringer generert i samarbeid med Siemens. 

Akkurat som store språkmodeller forstår tekst, har LGM en omfattende kunnskap om former og strukturer som er viktige for romfartsingeniørkunst, og kan derfor «optimalisere på tvers av flere typer fysikk på sekunder, mange størrelsesordener raskere enn numerisk simulering, og med samme nøyaktighetsnivå», sier administrerende direktør Jacomo Corbo.

I år avduket OpenAI, det Microsoft‑støttede AI‑forskningsselskapet bak ChatGPT, også sine nyeste modeller, o1-preview og o1-mini, og hevdet et betydelig sprang i resonneringskapasiteten til store språkmodeller (LLM‑er). 

Modellen kommer med evnen til å bruke «chain‑of‑thought reasoning», likt det mennesker gjør når de løser et problem, som innebærer å dele komplekse oppgaver inn i små, håndterbare deler. Bruken av menneskelig lik resonnering i LLM‑er har tidligere blitt observert av Google Research og andre også. 

En ny AI‑modell for å løse PDE‑er

Etter hvert som bruken og populariteten til AI fortsetter å vokse, gjør også dens evner det, med forskere og selskaper som jobber med å gjøre teknologien bedre og mer nøyaktig. 

Den nyeste AI‑rammeverket fra forskere ved Johns Hopkins tar en generisk tilnærming for å forutsi løsninger på tidkrevende og utbredte matematiske ligninger. Partielle differensialligninger (PDE‑er) er en gjennomgripende oppgave innen ingeniør‑ og medisinsk forskning. 

Imidlertid kan de beregningsmessige kostnadene ved å løse disse ligningene være for høye. Å løse disse massive matematiske problemene har tradisjonelt krevd superdatamaskiner, men ikke lenger. 

Det nye AI‑rammeverket gjør det mulig for selv personlige datamaskiner å takle disse partielle differensialligningene som forskere bruker for 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 idéen først delt for noen tiår siden. I det fremvoksende feltet vitenskapelig maskinlæring har bruk av nevrale nettverk for å løse partielle differensialligninger fått mye oppmerksomhet det siste tiåret takket være fremskritt i beregningskapasitet for trening av dype nevrale nettverk. 

Til tross for suksessen til den nevrale operatøren, som bruker AI til å lære PDE‑løsningsoperatøren, bemerket den nyeste forskningen at beregningsflaskehalser fortsatt eksisterer ved optimalisering og prognostisering. Dette skyldes nevrale operatørers manglende evne til å evaluere PDE‑løsninger som er avhengige av geometri.

For øyeblikket er de fleste nevrale operatør‑rammeverk, som studien påpeker, utviklet på et domene med faste grenser. I tillegg krever variasjoner i form ny trening av nevralt nettverk. 

Derfor, med mål om å løse disse beregningsutfordringene, foreslo forskerne DIMON — Diffeomorphic Mapping Operator Learning. For dette kombinerte de nevrale operatører med diffeomorfe kartlegginger mellom domener og former. 

Modellen eliminerer behovet for å beregne nye gittere ved hver formendring. På denne måten kan DIMON akselerere simuleringer og optimalisere design ved å forutsi hvordan fysiske elementer som bevegelse, stress og varme oppfører seg på tvers av ulike former i stedet for å bryte ned komplekse former i små elementer.

Generelt innebærer løsning av disse ligningene å dele komplekse former, som menneskelige organer eller flyvinger, inn i gitter eller nettverk av små elementer. Problemet løses på hvert enkelt element før det settes sammen igjen. 

Hvis disse formene endres på grunn av en kollisjon eller deformasjon, må gitteret oppdateres. Dette betyr at også løsningene må beregnes på nytt, noe som gjør hele prosessen både kostbar og treg. 

DIMON bruker AI til å forstå hvordan fysiske systemer fungerer med ulike former. Så forskerne trenger ikke å dele opp former i gitter og løse ligningene på nytt; AI utnytter mønstrene den har lært for å forutsi hvordan ulike faktorer vil oppføre seg, noe som gjør modellering av formspesifikke scenarier mer effektiv og raskere.

Ifølge medleder Natalia Trayanova, professor i biomedisinsk ingeniørfag og medisin ved Johns Hopkins University:

“Selv om motivasjonen til å utvikle den kom fra vårt egen arbeid, tror vi dette er en løsning som generelt vil ha enorm innvirkning på ulike ingeniørfelt fordi den er svært generisk og skalerbar.”

Et vendepunkt for ingeniørdesign

Det nye AI‑rammeverket gir en tilnærming som gjør rask prediksjon av PDE‑løsninger på flere domener mulig. Videre muliggjør det mange nedstrømsapplikasjoner ved hjelp av AI. 

Når man snakker om modellens evner, påpekte Trayanova at DIMON i prinsippet kan brukes på ethvert problem i ethvert vitenskaps‑ eller ingeniørfelt for å løse PDE‑er på flere geometrier. 

Dette inkluderer krasjtesting, analyse av hvordan romfartøy responderer på ekstreme miljøer, vurdering av hvordan broer tåler stress, studier av hvordan væsker beveger seg gjennom ulike geometrier, ortopedisk forskning, og andre komplekse problemer hvor materialer og former endres. Modelleringen av alle disse scenariene kan nå gjøres mye raskere takket være den nye AI‑rammeverket.

For å demonstrere anvendeligheten av den nye modellen på andre ingeniørproblemer, testet teamet DIMON på mer enn 1 000 hjerte‑«digitale tvillinger». Disse digitale tvillingene er svært detaljerte datamodeller av ekte pasienters hjerter.

Det er ved å løse partielle differensialligninger at hjertearytmi studeres. Tilstanden forårsaker uregelmessig hjerterytme på grunn av feil i elektrisk impuls. De digitale tvillingene gjør det mulig for forskere å fastslå om pasienter kan utvikle denne ofte dødelige tilstanden, og deretter anbefale behandlingsmetoder. 

Det nye AI‑rammeverket ble funnet å være vellykket i å forutsi hvordan elektriske signaler overføres gjennom hver unik hjerteform med høy nøyaktighet uten å måtte utføre kostbare numeriske simuleringer.

Trayanova, direktør for Johns Hopkins Alliance for Cardiovascular Diagnostic and Treatment Innovation, bruker datadrevne tilnærminger, beregningsmodellering og innovasjoner innen hjerteavbildning for å diagnostisere og behandle kardiovaskulær sykdom. De introduserer stadig ny teknologi i klinikken.  

Hun bemerket imidlertid at deres løsninger fortsatt er for trege, da det tar omtrent en uke å skanne en pasients hjerte og løse PDE‑er for å forutsi om pasienten har høy risiko for plutselig hjertedød, og deretter tilby den beste behandlingsplanen.

Men dette ser en monumental endring med deres nyeste modell.

“Med denne nye AI‑tilnærmingen er hastigheten vi kan få en løsning på, utrolig.”

– Trayanova

Tiden det tar å lage prediksjonen av en hjerte‑digital tvilling har blitt redusert fra flere timer til kun et halvt minutt (30 sekunder). Dette er ikke alt; beregningen krever ikke engang en superdatamaskin. Den utføres helt på en stasjonær PC, noe Trayanova sier vil gjøre det mulig å “gjøre det til en del av den daglige kliniske arbeidsflyten.”

Allsidigheten til teknologien gjør den perfekt for situasjoner hvor løsning av partielle differensialligninger på nye former er gjentatte ganger nødvendig. 

“For hvert problem løser DIMON først de partielle differensialligningene på en enkelt form og kartlegger deretter løsningen til flere nye former. Denne form‑skiftende evnen fremhever dens enorme allsidighet. Vi er svært begeistret for å bruke den på mange problemer, samt å gjøre den tilgjengelig for det bredere fellesskapet for å akselerere deres ingeniørdesignløsninger.”

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

Selskaper som driver AI fremover

La oss nå se på selskaper som hjelper til med å løfte den teknologiske AI‑revolusjonen til nye høyder. 

1. NVIDIA Corporation (NVDA )

En ledende leverandør av GPU‑er, Nvidia er verdens nest største selskap, med en markedsverdi på $3,28 billioner. På tidspunktet for skrivingen handles aksjene til $133,91, opp hele 171,9 % år‑til‑dato (YTD) med en EPS (TTM) på 2,54, en P/E (TTM) på 52,90, og en ROE (TTM) på 127,21 % mens de betaler en utbytteavkastning på 0,03 %.

Selskapets maskinvare‑ og programvareløsninger er avgjørende for dyp‑læringsapplikasjoner og ingeniørsimuleringer, og spiller en viktig rolle i å drive AI‑revolusjonen fremover.

Drevet av AI‑mani, rapporterte Nvidia en omsetning på over $35 milliarder for Q3 som endte 27. oktober 2024, en økning på 17 % fra forrige kvartal og en massiv 94 % økning fra året før.

“AI‑alderen er i full gang, og driver et globalt skifte til NVIDIA‑databehandling,” sa administrerende direktør og grunnlegger Jensen Huang, som også bemerket at AI ikke bare transformerer selskaper og industrier, men også land som “har våknet til viktigheten av å utvikle sin nasjonale AI‑infrastruktur.”

2. Microsoft Corporation (MSFT )  

Med en markedsverdi på $3,32 billioner er Microsoft blant verdens tre største selskaper etter markedsverdi. Aksjene handles per skrivingen til $447,24, en økning på nesten 19 % YTD. Dette gir selskapets EPS (TTM) på 12,11, P/E (TTM) på 36,92, og ROE (TTM) på 35,60 %. Utbytteavkastningen Microsoft betaler er 0,74 %.

Microsofts største engasjement i AI er gjennom OpenAI, hvor de har investert mer enn $13 milliarder. I tillegg til partnerskapet med OpenAI, som nylig ble verdsatt til $150 milliarder, er Microsoft også tungt investert i AI‑forskning, sky‑løsninger og applikasjoner for ingeniør‑ og vitenskapelig beregning.

For perioden juli til september rapporterte selskapet $65,6 milliarder i salg, en økning på 16 % fra året før, mens fortjenesten steg 11 % til $24,7 milliarder. Denne veksten ble drevet av etterspørsel som fortsatte “å være høyere enn vår tilgjengelige kapasitet,” ifølge Microsofts finanssjef.

3. ANSYS, Inc. (ANSS )

Dette selskapet spesialiserer seg på ingeniørsimuleringsprogramvare for å løse komplekse problemer. Selskapets tjenester brukes av studenter, forskere, designere og ingeniører, og de integrerer i økende grad AI for å forbedre effektiviteten.

Med en markedsverdi på $29,75 milliarder handles Ansys‑aksjene for tiden til $339,51, ned 6,24 % i år. Dette gir selskapets EPS (TTM) på 6,47, en P/E (TTM) på 52,55, og en ROE (TTM) på 10,48 %. 

For 3Q24 rapporterte Ansys en omsetning på $601,9 millioner, opp 31 % fra tredje kvartal i fjor, mens deres årlige kontraktsverdi (ACV) var $540,5 millioner. GAAP driftsmargin ble rapportert til 26,8 %, mens den ikke‑GAAP driftsmarginen var 45,8 %. Driftskontantstrømmen for perioden var $174,2 millioner, mens utsatt inntekt og backlog var $1 463,8 millioner.

Konklusjon 

AI utvikler seg i raskt tempo, og introduksjonen av nye AI‑rammeverk som DIMON markerer et revolusjonerende steg i å løse komplekse ingeniørproblemer samtidig som tiden og de beregningsmessige kostnadene reduseres drastisk. På denne måten akselererer gjennombruddet ikke bare ingeniørdesignprosesser, men utvider også AI‑applikasjoner på tvers av ulike felt.

Etter hvert som forskere, sammen med selskaper som Nvidia, fortsetter å gjøre store oppdagelser, bygge kraftige modeller og fremme teknologier, vokser potensialet for å integrere AI i daglige arbeidsflyter eksponentielt, noe som peker mot en ny æra hvor AI driver enestående effektivitet og innovasjon!

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