Revolutionerar ingenjörskonsten: AI:s nya roll i att lösa komplexa ekvationer snabbare än superdatorer

Superdatorer är kända för sin höga prestanda, vilket gör att de kan lösa komplexa beräkningsproblem. De snabbaste datorerna i världen, dessa maskiner kan bearbeta enorma datamängder och utföra komplexa beräkningar i hög hastighet, och kan lösa upp till en kvintiljon beräkningar per sekund.

Intressant nog, bara den här veckan, avslöjade teknikjätten Google unveiled sin nästa generations chip kallad ‘Willow’, som fungerar med supraledande kvantbitar och kan lösa ett komplext matematiskt problem på bara fem minuter samtidigt som den minskar fel exponentiellt. 

Trots sin imponerande prestanda är den kvantiska chipen nowhere close to breaking modern cryptography.

Mitt i allt detta kommer en ny artificiell intelligens (AI) med förmågan att lösa komplexa ingenjörsproblem ännu snabbare än superdatorer. Den nya tekniska lösningen kommer från forskare vid Johns Hopkins, som kan bli spelväxlare inom ingenjörsområdet.

Den nya AI-eran 

Efter att ha varit ett hett ämne i flera år har AI äntligen börjat utnyttjas meningsfullt inom viktiga industrier. Dess enorma potential att förbättra effektivitet och produktivitet har dess marknad growing beyond $184 billion this year och förväntas increase revenue by more than $15 trillion innan detta årtionde är slut. 

En nyligen rapport fann att 68 % av organisationerna antingen aktivt använder Generativ AI eller har utvecklat färdplaner efter framgångsrika pilotimplementationer. 

Allteftersom AI fortsätter att transform various industries, särskilt ingenjörslandskapet, står människor nu inför utmaningen att bli föråldrade. Uppskattningar tyder på att upp till 40 % av ingenjörsuppgifter kan automatiseras under det kommande decenniet.

För att förstå AI:s påverkan på världen måste vi först förstå att AI helt enkelt är en teknik som möjliggör för maskiner och datorer att simulera mänskligt tänkande, lärande, förståelse, problemlösning, beslutsfattande och kreativitet. 

Under AI ligger maskininlärning, som innebär att träna en algoritm för att skapa modeller som använder data för att fatta beslut och göra förutsägelser. 

Det finns olika typer av maskininlärningsalgoritmer eller tekniker, där artificiella neurala nätverk är en av de mest populära. Dessa nätverk är modellerade efter strukturen och funktionen hos den mänskliga hjärnan. 

Djupinlärning, en delmängd av maskininlärning, använder flerskiktsneurala nätverk som är ännu mer effektiva på att simulera den komplexa beslutsförmågan hos den mänskliga hjärnan. Dessa nätverk lär sig från data och används för att lösa olika problem, från bild- och taligenkänning till bearbetning av naturligt språk. 

Djupinlärning förändrar fullständigt hur maskiner interagerar med komplex data, med förmågan att överträffa mänsklig nivå samtidigt som den uppnår hög noggrannhet.

Att använda AI för att lösa komplexa problem 

AI erbjuder många fördelar, såsom automatisering av repetitiva uppgifter, färre mänskliga fel, dygnet runt tillgänglighet och förbättrat beslutsfattande, vilket har lett till dess tillämpning i alla typer av företag över industrier.

Teknikens förmåga att effektivt analysera enorma mängder data, identifiera mönster som kan ha missats av människor och slutligen utföra snabba beräkningar gör AI till ett great tool for solving complex problems. När man hanterar stora datamängder och invecklade beslutsfattandescenarier som skulle vara tidskrävande eller omöjliga för människor att hantera ensamt, kan AI vara oerhört hjälpsamt.

Därför ökar fokus på att använda AI för att lösa invecklade problem. För ett år sedan använde forskare från MIT och ETH Zürich used machine learning to solve the optimization problem med att effektivt rutta semesterpaket för företag som FedEx.

Dessa företag använder mjukvara kallad mixed-integer linear programming (MILP)-lösare som delar upp problemet i mindre delar och använder generiska algoritmer för att hitta den bästa lösningen, vilket kan ta timmar och till och med dagar.

Här är den nyckeldel som bromsar hela processen att MILP-lösare har för många potentiella lösningar. Forskarna använde en filtreringsmekanism för att förenkla detta steg, vilket påskyndade MILP-lösare med 30–70 % utan att påverka noggrannheten. För detta förlitade sig tekniken på principen om avtagande marginalnytta och använde sedan machine learning, trained with a dataset specific to the problem, to find the optimal solution from the reduced number of options.

Tidigare i månaden introducerade ett London-baserat startup, PhysicsX, en stor geometrimodell kallad LGM-Aero för flygteknik. Geometri- och fysikmodellen is expected bidra till betydande minskningar i utvecklingstiden för flygplanskoncept. Företaget har gjort en referensapplikation (‘Ai.rplane’) byggd på LGM-Aero offentligt tillgänglig för att visa modellens kapacitet att generera flygplansdesigner och förutsäga fysik relaterad till flygplansprestanda. 

Modellen is trained på Amazon Web Services (AWS) molnberäkning med över 25 miljoner olika former, vilket representerar över 10 miljarder hörn. Dess träningsdata inkluderar också en samling av beräkningsfluiddynamik (CFD) och finita elementanalys (FEA) simuleringar som genererats i samarbete med Siemens. 

Precis som hur LLM:er förstår text, har LGM en omfattande kunskap om de former och strukturer som är viktiga för flygteknik och kan därför “optimera över flera typer av fysik på sekunder, många storleksordningar snabbare än numerisk simulering, och med samma nivå av noggrannhet,” säger VD Jacomo Corbo.

I år presenterade OpenAI, det Microsoft-stödda AI-forskningsföretaget bakom ChatGPT, också sina senaste modeller, o1-preview och o1-mini, och hävdar ett betydande språng i resonemangsförmågan hos stora språkmodeller (LLM).

Modellen har förmågan att använda “chain-of-thought reasoning”, liknande vad människor gör när de löser ett problem, vilket innebär att dela upp komplexa saker i små, hanterbara uppgifter. Tillämpningen av mänskligt liknande resonemang i LLM:er har tidigare observerats av Google Research och andra.

En ny AI-modell för att lösa PDE:er

Allteftersom användningen och populariteten för AI fortsätter att växa, gör även dess kapabiliteter det, med forskare och företag som arbetar med att göra tekniken bättre och mer exakt. 

Det latest AI framework från forskare vid Johns Hopkins tar ett generiskt tillvägagångssätt för att förutsäga lösningar på tidskrävande och vanliga matematiska ekvationer. Partiella differentialekvationer (PDE) är en genomgripande uppgift inom ingenjörs- och medicinsk forskning.

Dock kan de beräkningskostnader som är involverade i att lösa dessa ekvationer vara oacceptabelt höga. Dessutom kräver lösning av dessa massiva matematiska problem vanligtvis superdatorer, men inte längre. 

Det nya AI-ramverket möjliggör att även persondatorer kan ta sig an dessa partiella differentialekvationer som forskare använder för att översätta verkliga processer eller system till matematiska representationer av hur objekt förändras över tid och rum.

Det är inte första gången en AI-modell föreslagits för att lösa PDE:er; faktiskt delades idén först för några decennier sedan. Inom det framväxande området vetenskaplig maskininlärning har lösning av partiella differentialekvationer med neurala nätverk fått mycket uppmärksamhet det senaste decenniet tack vare alla framsteg i beräkningskapacitet för att träna djupa neurala nätverk.

Trots framgången med den neurala operatören, som använder AI för att lära sig PDE-lösningsoperatören, noterade den senaste forskningen att beräkningsflaskhalsar fortfarande finns när man utför uppgifter i optimering och prognostisering. Detta beror på den neurala operatörens oförmåga att utvärdera PDE-lösningar som är beroende av geometri.

För närvarande är majoriteten av neurala operatörsramverk, enligt studien, utvecklade på en domän med fasta gränser. Dessutom kräver variationer i form att neurala nätverket tränas om.

Så, med målet att adressera dessa beräkningsutmaningar, föreslog forskarna DIMON — Diffeomorphic Mapping Operator Learning. För detta kombinerade de neurala operatörer med diffeomorfa avbildningar mellan domäner och former. 

Modellen eliminerar behovet av att omberäkna rutnät med varje formförändring. På så sätt kan DIMON påskynda simuleringar och optimera designer genom att förutsäga hur fysiska element såsom rörelse, stress och värme beter sig över olika former istället för att bryta ner komplexa former i små element.

Generellt innebär lösning av dessa ekvationer att bryta ner komplexa former, såsom mänskliga organ eller flygplansvingar, i rutnät eller mesh bestående av små element. Problemet löses sedan på varje enkel del innan det återförenas. 

Men om dessa former förändras på grund av en krasch eller deformation, måste rutnäten uppdateras. Detta innebär att lösningarna också måste beräknas om, vilket gör hela beräkningsprocessen både dyr och långsam. 

DIMON använder här AI för att förstå hur fysiska system fungerar med olika former. Så forskarna behöver inte dela upp former i rutnät och lösa ekvationer om och om igen; istället använder AI de mönster den har lärt sig för att förutsäga hur olika faktorer kommer att bete sig, vilket gör det mer effektivt och snabbare att modellera formspecifika scenarier och optimera designer.

Enligt medledare Natalia Trayanova, professor i biomedicinsk ingenjörskonst och medicin vid Johns Hopkins University:

“Medan motivationen att utveckla den kom från vårt own work, tror vi att detta är en lösning som generellt kommer att ha en enorm inverkan på olika ingenjörsområden eftersom den är mycket generell och skalbar.”

Ett brytpunkt för ingenjörsdesign

Det nya AI-ramverket erbjuder ett tillvägagångssätt som möjliggör snabb förutsägelse av PDE-lösningar på flera domäner. Dessutom underlättar det många efterföljande tillämpningar med AI. 

När man talar om modellens kapabiliteter noterade Trayanova att DIMON i princip kan arbeta på vilket problem som helst inom alla vetenskaps- eller ingenjörsområden för att lösa PDE på flera geometrier. 

Detta inkluderar krocktester, analys av hur rymdfarkoster svarar på extrema miljöer, bedömning av hur broar motstår stress, studier av hur vätskor sprider sig genom olika geometrier, ortopedisk forskning och hantering av andra komplexa problem där material och former förändras. Modelleringen av alla dessa scenarier kan nu göras mycket snabbare tack till det nya AI-ramverket.

För att demonstrera tillämpbarheten av den nya modellen för att lösa andra typer av ingenjörsproblem testade teamet DIMON på mer än 1 000 hjärt-“digitala tvillingar”. Dessa digitala tvillingar är mycket detaljerade dator-modeller av riktiga patienters hjärtan.

Det är genom att lösa partiella differentialekvationer som hjärtarytmi studeras. Tillståndet orsakar oregelbundna hjärtslag på grund av felaktigt elektriskt impulsbeteende. De digitala tvillingarna av hjärtan gör det möjligt för forskare att avgöra om patienter kan drabbas av detta ofta dödliga tillstånd och sedan rekommendera behandlingsmetoder. 

Det nya AI-ramverket visade sig framgångsrikt i att förutsäga hur elektriska signaler överförs genom varje unik hjärtform med hög noggrannhet utan att ens behöva utföra dyra numeriska simuleringar.

Trayanova, chef för Johns Hopkins Alliance for Cardiovascular Diagnostic and Treatment Innovation, tillämpar datadrivna metoder, beräkningsmodellering och innovationer inom hjärtavbildning för att diagnostisera och behandla hjärt-kärlsjukdomar. De introducerar ständigt ny teknik i kliniken.  

Hon noterade dock att deras lösningar fortfarande är för långsamma då det tar dem ungefär en vecka att skanna en patients hjärta och lösa PDE för att förutsäga om patienten har hög risk för plötslig hjärtstillestånd och sedan ge den bästa behandlingsplanen.

Men detta ser en monumental förändring med deras senaste modell.

“Med detta nya AI-tillvägagångssätt är hastigheten med vilken vi kan få en lösning otrolig.”

– Trayanova

Tiden det tar att göra förutsägelsen av en hjärt-digital tvilling har minskats från flera timmar till bara en halv minut (30 sekunder). Detta är inte allt; beräkningen kräver inte ens en superdator. Istället sker allt på en stationär dator, vilket Trayanova sade skulle göra det möjligt att “göra det till en del av den dagliga kliniska arbetsflödet”.

Teknologins mångsidighet gör den perfekt för situationer där lösning av partiella differentialekvationer på nya former behövs upprepade gånger. 

“För varje problem löser DIMON först de partiella differentialekvationerna på en enda form och kartlägger sedan lösningen till flera nya former. Denna formförändrande förmåga understryker dess enorma mångsidighet. Vi är mycket glada över att sätta den i arbete på många problem samt att göra den tillgänglig för det bredare samfundet för att påskynda deras ingenjörsdesignlösningar.”

– Minglang Yin, postdoktoral forskare vid Johns Hopkins Biomedical Engineering, som utvecklade plattformen

Företag som driver AI framåt

Låt oss nu titta på företag som hjälper till att ta den teknologiska AI-revolutionen till nya höjder. 

1. NVIDIA Corporation (NVDA )

En ledande leverantör av GPU:er, Nvidia är världens second-largest company, med ett börsvärde på $3.28 trillion. Vid skrivande stund handlas aktierna till $133.91, up en whopping 171.9% year-to-date (YTD) while having an EPS (TTM) of 2.54, a P/E (TTM) of 52.90, and a ROE (TTM) of 127.21% while paying a dividend yield of 0.03%.

Företagets hård- och mjukvarulösningar är avgörande för djupinlärningsapplikationer och ingenjörssimuleringar, och spelar en viktig roll i att driva AI-revolutionen framåt.

Drivet av AI-manin rapporterade Nvidia reported en omsättning på över $35 billion for Q3 ended 27 oktober 2024, which is an increase of 17% from the previous quarter and a massive 94% increase from a year ago.

“The age of AI is in full steam, propelling a global shift to NVIDIA computing,” said CEO and founder Jensen Huang, who further noted that AI is not only transforming companies and industries but also countries that are “awakened to the importance of developing their national AI and infrastructure.”

2. Microsoft Corporation (MSFT )  

Med ett börsvärde på $3.32 trillion placerar sig Microsoft bland världens tre största företag efter börsvärde. Dess aktier handlas vid skrivande stund till $447.24, vilket representerar en ökning på nästan 19% YTD. Detta ger företagets EPS (TTM) på 12.11, P/E (TTM) på 36.92, och ROE (TTM) på 35.60%. Utdelningsavkastningen som Microsoft betalar är 0.74%.

Microsofts största engagemang i AI är genom OpenAI, i vilken det har pumpat mer än $13 billion. Förutom sitt partnerskap med OpenAI, som was recently valued at $150bn, Microsoft is also heavily invested in AI research, cloud solutions, and applications for engineering and scientific computing.

For the period between July and September, the company reported $65.6 billion in sales, an increase of 16% from a year earlier, while its profits rose 11% to $24.7 billion. This growth was propelled by demand continuing “to be higher than our available capacity,” as per Microsoft’s finance chief.

3. ANSYS, Inc. (ANSS )

Denna specialiserar sig på ingenjörssimuleringsprogramvara för att lösa komplexa problem. Företagets tjänster are used av studenter, forskare, designers, och ingenjörer, och integrerar i ökande grad AI för att förbättra effektiviteten.

Med ett börsvärde på $29.75 billion, the shares of Ansys are currently trading at $339.51, down 6.24% this year. This has the company’s EPS (TTM) of 6.47, a P/E (TTM) of 52.55, and an ROE (TTM) of 10.48%.

For 3Q24, Ansys reported $601.9 million in revenue, up 31% from the third quarter last year, while its annual contract value (ACV) was $540.5 million. The GAAP operating profit margin was reported to be 26.8%, while the non-GAAP operating profit margin was 45.8%. Operating cash flows for the period came in at $174.2 million, while its deferred revenue and backlog were $1,463.8 million.

Slutsats 

AI utvecklas i snabb takt, och introduktionen av nya AI-ramverk som DIMON markerar ett revolutionerande steg i att lösa komplexa ingenjörsproblem samtidigt som den drastiskt minskar den tid och de beräkningskostnader som är förknippade med dem. På så sätt accelererar genombrottet inte bara ingenjörsdesignprocesser utan också AI:s tillämpning över olika fält.

När forskare, tillsammans med företag som Nvidia, fortsätter att göra stora upptäckter, bygga kraftfulla modeller och driva teknologier framåt, växer potentialen för att integrera AI i vardagliga arbetsflöden exponentiellt, vilket pekar mot en ny era där AI driver enastående effektivitet och innovation!

Klicka här för att lära dig allt om investering i artificiell intelligens.