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

Superdatorer är kända för sin höga prestanda, vilket gör det möjligt för dem att lösa komplexa beräkningsproblem. De snabbaste datorerna i världen kan bearbeta stora datamängder och utföra komplexa beräkningar i snabb takt, kapabla att lösa så många som en kvintillion beräkningar per sekund.

Intressant nog presenterade tech-jätten Google bara i veckan sin nästa generations-chip som kallas “Willow”, som fungerar med supraledande qubit och kan lösa ett komplext matematiskt problem på bara fem minuter samtidigt som den minskar felen exponentiellt.

Trots sin imponerande prestanda är den kvantmekaniska chippet inte nära att bryta modern kryptografi.

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 Johns Hopkins-forskare, som kan vara spelväxlare inom ingenjörsområdet.

Den nya eran av AI

Efter att ha varit ett hett ämne i åratal har AI slutligen börjat användas meningsfullt inom nyckelindustrier. Dess enorma potential att förbättra effektivitet och produktivitet har gjort att marknaden växer beyond $184 miljarder i år och är förutspått att öka intäkterna med mer än $15 biljoner till slutet av detta decennium.

En nylig rapport fann att 68% av organisationerna antingen aktivt använder Gen AI eller har utvecklat vägkartor efter framgångsrika pilotimplementeringar.

Medan AI fortsätter att transformera olika industrier, särskilt ingenjörskapets landskap, står människor nu inför utmaningen att bli föråldrade. Uppskattningar tyder på att upp till 40% av ingenjörsuppgifter kan automatiseras under de kommande tio åren.

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

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

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

Djupinlärning, en undergrupp till maskinlärande, använder multilagerade neurala nätverk som är ännu mer effektiva för att simulera den komplexa beslutsfattande kraften 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 helt sättet maskiner interagerar med komplexa data, med förmågan att överträffa mänsklig prestanda samtidigt som den uppnår hög noggrannhet.

Använda AI för att lösa komplexa problem

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

Teknikens förmåga att effektivt analysera stora mängder data, identifiera mönster som kan ha missats av människor och slutligen utföra snabba beräkningar gör AI till ett utmärkt verktyg för att lösa komplexa problem. När det gäller att hantera stora datamängder och invecklade beslutsfattningsscenarier som skulle vara tidskrävande eller omöjliga för människor att hantera ensamma, kan AI vara oerhört hjälpsam.

Därför finns det en växande fokus på att använda AI för att lösa invecklade problem. För ett år sedan använde forskare från MIT och ETH Zurich maskinlärande för att lösa optimeringsproblemet för att effektivt dirigera paket under semestertid för företag som FedEx.

Dessa företag använder programvara som kallas mixed-integer linear programming (MILP) solver 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 viktiga delen som bromsar hela processen att MILP-solvar har för många potentiella lösningar. Forskarna använde en filtermekanism för att förenkla detta steg, vilket accelererade MILP-solvarna med 30-70% utan att påverka noggrannheten. För detta förlitade sig tekniken på principen om avtagande marginalavkastning och använde sedan maskinlärande, tränat med en datamängd specifik för problemet, för att hitta den optimala lösningen från det minskade antalet alternativ.

Bara tidigare denna månad presenterade ett London-baserat startup, PhysicsX, en stor geometrisk modell som kallas LGM-Aero för flyg- och rymdingenjörskap. Den geometriska och fysiska modellen väntas bidra till betydande minskningar av tiden för konceptutveckling av flygplan. Företaget har gjort en referensapplikation (‘Ai.rplane’) byggd på LGM-Aero offentligt tillgänglig för att demonstrera modellens förmåga att generera flygplansdesigner och förutsäga fysikrelaterad prestanda.

Modellen är tränad på Amazon Web Services (AWS) molnberäkning med över 25 miljoner olika former, representerande över 10 miljarder vertex. Träningsdata inkluderar också en samling av beräkningsfluidodynamik (CFD) och finit elementanalys (FEA) simuleringar genererade i samarbete med Siemens.

På samma sätt som LLM förstår text har LGM en omfattande kunskap om former och strukturer viktiga för flyg- och rymdingenjörskap och “kan optimera över flera typer av fysik på sekunder, många storleksordningar snabbare än numerisk simulering, och på samma nivå av noggrannhet”, sa VD Jacomo Corbo.

I år presenterade OpenAI, det Microsoft-backade AI-forskningsföretaget bakom ChatGPT, också sina senaste modeller, o1-preview och o1-mini, och hävdade en betydande språng i resonemangs-förmågan hos stora språkmodeller (LLM).

Modellen kommer med förmågan att använda “kedja-av-tankar-resonemang”, liknande vad människor gör när de löser ett problem, vilket innebär att dela upp komplexa saker i små, hanterbara uppgifter. Tillämpningen av mänskligt resonemang i LLM har tidigare observerats av Google Research och andra också.

En ny AI-modell för att lösa PDE

Medan användningen och populariteten av AI fortsätter att växa, så gör också dess förmågor, med forskare och företag som arbetar med att göra tekniken bättre och mer exakt.

Den senaste AI-ramverket från Johns Hopkins-forskare tar en generisk approach för att förutsäga lösningar till tidskrävande och vanliga matematiska ekvationer. De partiella differentialekvationerna (PDE) är en vanlig uppgift inom ingenjörskap och medicinsk forskning.

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

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

Detta är inte första gången en AI-modell har föreslagits för att lösa PDE; faktum är att dess idé delades för flera decennier sedan. I den framväxande fältet vetenskapligt maskinlärande har lösandet av partiella differentialekvationer med neurala nätverk fått mycket uppmärksamhet under det senaste decenniet tack vare alla framsteg i beräkningsförmåga för djupa neurala nätverk.

Trots framgången med neurala operatörer, som använder AI för att lära sig PDE-lösningens operatör, noterade den senaste forskningen att beräkningsbottleneckar fortfarande existerar när det gäller uppgifter i optimering och prognostisering.

Detta beror på att neurala operatörer inte kan utvärdera PDE-lösningar som är beroende av geometri.

För närvarande är de flesta neurala operatörsramverk, som studien noterade, utvecklade på ett område med fasta gränser. Dessutom kräver formvariationer omträning av det neurala nätverket.

Så, med målet att hantera dessa beräkningsutmaningar, föreslog forskarna DIMON — Diffeomorfa kartläggningsoperatörsinlärning. För detta kombinerade de neurala operatörer med diffeomorfa kartläggningar mellan domäner och former.

Modellen eliminerar behovet av att omberäkna rutnät med varje formförändring. På detta sätt kan DIMON påskynda simuleringar och optimera design genom att förutsäga hur fysiska element som rörelse, spänning och värme beter sig över olika former i stället för att bryta ned komplexa former i små element.

Generellt sett innebär lösandet av dessa ekvationer att bryta ned komplexa former, som mänskliga organ eller flygplansvingar, i rutnät eller mesh bestående av små element. Problemet löses sedan på varje enkelt stycke innan det kombineras igen.

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

DIMON använder AI för att förstå hur fysiska system fungerar med olika former. Så, forskare behöver inte dela upp former i rutnät och lösa ekvationer om och om igen; snarare använder AI de mönster den har lärt sig för att förutsäga hur olika faktorer kommer att bete sig, vilket gör det mer effektivt och snabbt att modellera form-specifika scenarier och optimera design.

Enligt co-lead Natalia Trayanova, en professor i biomedicinsk ingenjörskap och medicin vid Johns Hopkins University:

“Medan motivationen att utveckla det kom från vårt eget arbete, är detta en lösning som vi tror kommer att ha en massiv påverkan på olika områden inom ingenjörskap eftersom det är mycket generiskt och skalbart.”

En vändpunkt för ingenjörsdesign

Det nya AI-ramverket tillhandahåller en approach som möjliggör snabb förutsägelse av PDE-lösningar på flera domäner. Dessutom underlättar det många nedströmsapplikationer med AI.

Trayanova noterade att DIMON kan arbeta på nästan alla problem inom vilket område som helst inom vetenskap eller ingenjörskap för att lösa PDE på flera geometrier.

Detta inkluderar kraschtestning, analys av hur rymdfarkoster svarar på extrema miljöer, bedömning av hur broar motstår spänning, studier av hur fluider sprider sig genom olika geometrier, genomförande av ortopedisk forskning och hantering av andra komplexa problem där material och former förändras.

Modelleringen av alla dessa scenarier kan nu göras mycket snabbare tack vare det nya AI-ramverket.

För att demonstrera tillämpligheten av den nya modellen i att lösa andra typer av ingenjörsproblem testade teamet DIMON på över 1 000 “digitala tvillingar” av hjärtan. Dessa digitala tvillingar är mycket detaljerade datormodeller av riktiga patienters hjärtan.

Det är genom att lösa partiella differentialekvationer som man studerar hjärtarytmi. Tillståndet orsakar oregelbunden hjärtslag på grund av ett elektriskt impulsbeteende. De digitala tvillingarna av hjärtan möjliggör för forskare att bestämma om patienter kan få detta tillstånd, som ofta är dödligt, och sedan rekommendera sätt att behandla det.

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

Trayanova, chef för Johns Hopkins Alliance for Cardiovascular Diagnostic and Treatment Innovation, tillämpar data-drivna metoder, beräkningsmodellering och innovationer inom kardiovaskulär avbildning för att diagnostisera och behandla hjärt-kärlsjukdomar.

Hon noterade att deras lösningar fortfarande är för långsamma eftersom det tar dem cirka en vecka att skanna ett patientens hjärta och lösa PDE för att förutsäga om patienten har en hög risk för plötslig hjärtdöd och sedan ge den bästa behandlingsplanen.

Men detta ser ut att förändras med deras senaste modell.

“Med denna nya AI-approach är hastigheten med vilken vi kan ha 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. Snarare sker allt på en skrivbordsdator, vilket Trayanova sa skulle tillåta dem “att göra det en del av den dagliga kliniska arbetsflödet”.

Teknologins flexibilitet gör den perfekt för situationer där lösning av partiella differentialekvationer på nya former är upprepat nödvändig.

“För varje problem löser DIMON först partiella differentialekvationer på en enda form och kartlägger sedan lösningen till flera nya former. Denna form-omvandlingsförmåga framhäver dess enorma flexibilitet. Vi är mycket entusiastiska över att sätta det i arbete på många problem samt att tillhandahålla det till den bredare samhället för att påskynda deras ingenjörsdesignlösningar.”

– Minglang Yin, en postdoktorand vid Johns Hopkins Biomedical Engineering, som utvecklade plattformen

Företag som driver AI framåt

Nu, låt oss ta en titt på företag som hjälper till att ta den tekniska revolutionen av AI till nya höjder.

1. NVIDIA Corporation (NVDA )

En ledande leverantör av GPU:er, NVIDIA är världens andra största företag, med en marknadsvärdering på 3,28 biljoner dollar. Vid tidpunkten för skrivande handlas dess aktier till 133,91 dollar, en ökning med 171,9% från föregående år, medan dess EPS (TTM) är 2,54, P/E (TTM) är 52,90 och ROE (TTM) är 127,21%, med en utdelningsavkastning på 0,03%.

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

Driven av AI-mani rapporterade Nvidia en omsättning på över 35 miljarder dollar för tredje kvartalet som avslutades den 27 oktober 2024, vilket är en ökning med 17% från föregående kvartal och en massiv ökning med 94% från föregående år.

“AI-erans ålder är i full gång, och driver en global förändring mot NVIDIA-beräkning”, sa VD och grundare Jensen Huang, som också noterade att AI inte bara förvandlar företag och industrier utan också länder som “väckts till betydelsen av att utveckla sin nationella AI och infrastruktur”.

2. Microsoft Corporation (MSFT )

Med en marknadsvärdering på 3,32 biljoner dollar är Microsoft bland världens tre största företag efter marknadsvärdering. Dess aktier, vid tidpunkten för skrivande, handlas till 447,24 dollar, vilket representerar en ökning med nästan 19% från föregående år.

Microsofts största engagemang i AI är genom OpenAI, i vilket de har investerat mer än 13 miljarder dollar. Utöver sitt partnerskap med OpenAI, som nyligen värderades till 150 miljarder dollar, är Microsoft också kraftigt engagerat i AI-forskning, molnlösningar och applikationer för ingenjörskap och vetenskaplig beräkning.

För perioden juli-september rapporterade företaget en försäljning på 65,6 miljarder dollar, en ökning med 16% från föregående år, medan vinsten ökade med 11% till 24,7 miljarder dollar. Denna tillväxt drevs av fortsatt hög efterfrågan.

3. ANSYS, Inc. (ANSS )

Detta företag specialiserar sig på ingenjörssimuleringsprogramvara för att lösa komplexa problem. Företagets tjänster används av studenter, forskare, designers och ingenjörer, och de integrerar alltmer AI för att förbättra effektiviteten.

Med en marknadsvärdering på 29,75 miljarder dollar handlas ANSYS aktier för närvarande till 339,51 dollar, ned 6,24% från föregående år.

För tredje kvartalet 2024 rapporterade Ansys en omsättning på 601,9 miljoner dollar, en ökning med 31% från tredje kvartalet föregående år, medan det årliga kontraktvärdet (ACV) var 540,5 miljoner dollar. Den GAAP-operativa vinstmarginalen rapporterades till 26,8%, medan den icke-GAAP-operativa vinstmarginalen var 45,8%. Operativa kassaflöden för perioden uppgick till 174,2 miljoner dollar, medan de uppskjutna intäkterna och orderstocken var 1,463,8 miljoner dollar.

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 det drastiskt minskar tiden och de beräkningskostnader som är förknippade med dem. På detta sätt accelererar genombrottet inte bara ingenjörsdesignprocesser utan utökar också AI:s tillämpning över olika fält.

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

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