Pagbabago sa Inhinyeriya: Ang Bagong Papel ng AI sa Pagsusolusyon ng Kumplikadong Ekwasyon nang Mas Mabilis kaysa sa Supercomputer

Kilala ang mga supercomputer sa kanilang mataas na pagganap, na nagbibigay-daan sa kanila na lutasin ang kumplikadong problemang pangkompyutasyon. Bilang pinakamabilis na mga kompyuter sa mundo, kayang iproseso ng mga makinang ito ang napakalaking dataset at magsagawa ng kumplikadong kalkulasyon sa mabilis na bilis, na may kakayahang magsagawa ng hanggang isang quintillion na kalkulasyon kada segundo.

Kagiliw-giliw, ngayong linggo lamang, inilunsad ng higanteng teknolohiya na Google ang kanilang susunod na henerasyong chip na tinatawag na ‘Willow,’ na gumagana gamit ang superconducting qubits at kayang lutasin ang isang kumplikadong problemang matematika sa loob lamang ng limang minuto habang binabawasan nang eksponensyal ang mga error. 

Sa kabila ng kahanga-hangang pagganap nito, ang quantum chip ay hindi malapit na maputol ang modernong kriptograpiya.

Sa gitna ng lahat ng ito, may isang bagong artificial intelligence (AI) na may kakayahang lutasin ang kumplikadong problemang pang-inhinyeriya nang mas mabilis kaysa sa mga supercomputer. Ang bagong teknolohikal na solusyon ay nagmula sa mga mananaliksik ng Johns Hopkins, na maaaring magdala ng malaking pagbabago sa larangan ng inhinyeriya.

Ang Bagong Panahon ng AI 

Matapos maging mainit na paksa sa loob ng maraming taon, nagsimulang magamit nang makabuluhan ang AI sa mga pangunahing industriya. Ang napakalaking potensyal nito na mapabuti ang kahusayan at produktibidad ay nagdudulot ng merkado na lumalago lampas sa $184 bilyon ngayong taon at inaasahang tataas ang kita ng higit sa $15 trilyon sa pagtatapos ng dekadang ito. 

Ayon sa isang kamakailang ulat, 68% ng mga organisasyon ay aktibong gumagamit ng Gen AI o nakabuo ng mga roadmap matapos ang matagumpay na pilot na implementasyon. 

Habang patuloy na binabago ng AI ang iba’t ibang industriya, lalo na ang larangan ng inhinyeriya, nahaharap na ngayon ang mga tao sa hamon ng pagiging lipas. Ayon sa mga pagtatantiya, sa susunod na dekada, maaaring ma-automate ang hanggang 40% ng mga gawain sa inhinyeriya.

Upang maunawaan ang epekto ng AI sa mundo, kailangan muna nating maunawaan na ang AI ay simpleng teknolohiya na nagpapahintulot sa mga makina at kompyuter na tularan ang pag-iisip, pagkatuto, pag-unawa, paglutas ng problema, paggawa ng desisyon, at pagkamalikhain ng tao. 

Sa ilalim ng AI ay ang machine learning, na kinabibilangan ng pagsasanay ng isang algorithm upang lumikha ng mga modelo na gumagamit ng datos para gumawa ng mga desisyon at prediksyon. 

May iba’t ibang uri ng mga algorithm o teknik sa machine learning, kung saan ang artificial neural networks ay isa sa mga pinakasikat. Ang mga network na ito ay ginagaya ang estruktura at pag-andar ng utak ng tao. 

Ang deep learning, isang subset ng machine learning, ay gumagamit ng maraming patong na neural networks na mas epektibo sa pagsasagaw ng kumplikadong kapangyarihan sa paggawa ng desisyon ng utak ng tao. Ang mga network na ito ay natututo mula sa datos at ginagamit upang lutasin ang iba’t ibang problema, mula sa pagkilala ng imahe at pagsasalita hanggang sa pagproseso ng natural na wika. 

Ang Deep Learning ay ganap na binabago ang paraan ng pakikipag-ugnayan ng mga makina sa kumplikadong datos, na may kakayahang lampasan ang antas ng pagganap ng tao habang nakakamit ang mataas na katumpakan.

Paggamit ng AI para Lutasin ang Kumplikadong Problema 

Nag-aalok ang AI ng maraming benepisyo, tulad ng awtomasyon ng paulit-ulit na gawain, mas kaunting pagkakamali ng tao, 24/7 na availability, at pinahusay na paggawa ng desisyon, na nagdala sa aplikasyon nito sa lahat ng uri ng negosyo sa iba’t ibang industriya.

Ang kakayahan ng teknolohiyang ito na epektibong suriin ang napakalaking dami ng datos, tuklasin ang mga pattern na maaaring napalampas ng tao, at sa huli magsagawa ng mabilis na kalkulasyon ay ginagawang isang mahusay na kasangkapan para lutasin ang kumplikadong problema ang AI. Kapag humaharap sa malalaking dataset at masalimuot na senaryo ng paggawa ng desisyon na magiging matagal o imposibleng harapin ng tao nang mag-isa, napakalaking tulong ang AI.

Kaya’t tumataas ang pokus sa paggamit ng AI upang lutasin ang masalimuot na isyu. Isang taon na ang nakalipas, ginamit ng mga mananaliksik mula sa MIT at ETH Zurich ang machine learning upang lutasin ang problema ng optimisasyon sa epektibong pag-ruta ng mga holiday package para sa mga kumpanya tulad ng FedEx.

Gumagamit ang mga kumpanyang ito ng software na tinatawag na mixed-integer linear programming (MILP) solver na hinahati ang problema sa mas maliliit na bahagi at gumagamit ng pangkalahatang algorithm upang hanapin ang pinakamahusay na solusyon, na maaaring tumagal ng oras o araw.

Dito, ang pangunahing bahagi na nagpapabagal sa buong proseso ay ang napakaraming posibleng solusyon ng MILP solvers. Gumamit ang mga mananaliksik ng mekanismo ng pag-filter upang pasimplehin ang hakbang na ito, na nagpasigla sa MILP solvers ng 30-70% nang hindi naapektuhan ang katumpakan. Para dito, ang teknik ay umasa sa prinsipyo ng diminishing marginal returns at pagkatapos ay gumamit ng machine learning, na sinanay gamit ang dataset na partikular sa problema, upang hanapin ang optimal na solusyon mula sa nabawasang bilang ng mga opsyon.

Sa unang bahagi ng buwang ito, isang startup mula sa London na tinatawag na PhysicsX ang nagpakilala ng malaking geometry model na tinatawag na LGM-Aero para sa aerospace engineering. Ang geometry at physics model ay inaasahang makatutulong sa makabuluhang pagbawas ng oras sa pagbuo ng konsepto ng eroplano. Ginawa ng kumpanya ang isang reference application (‘Ai.rplane’) na nakabatay sa LGM-Aero na pampubliko upang ipakita ang kakayahan ng kanilang modelo sa pagbuo ng disenyo ng eroplano at pag-predict ng pisika na may kaugnayan sa performance ng eroplano. 

Ang modelo ay sinanay sa Amazon Web Services (AWS) cloud compute gamit ang higit sa 25 milyong iba’t ibang hugis, na kumakatawan sa higit sa 10 bilyong vertices. Kasama rin sa data ng pagsasanay ang koleksyon ng computational fluid dynamics (CFD) at finite element analysis (FEA) simulations na ginawa sa pakikipagtulungan sa Siemens. 

Katulad ng kung paano nauunawaan ng mga LLM ang teksto, ang LGM ay may malawak na kaalaman sa mga hugis at estruktura na mahalaga sa aerospace engineering at, dahil dito, “maaaring mag-optimize sa maraming uri ng pisika sa loob ng ilang segundo, maraming antas ng bilis kumpara sa numerikal na simulasyon, at sa parehong antas ng katumpakan,” sabi ng CEO na si Jacomo Corbo.

Sa taong ito, inilunsad din ng OpenAI, ang kumpanya ng pananaliksik sa AI na sinusuportahan ng Microsoft (MSFT ) at likas sa likod ng ChatGPT, ang kanilang pinakabagong modelo, ang o1-preview at o1-mini, na nag-aangkin ng malaking pagtalon sa kakayahan sa pangangatwiran ng mga large language models (LLMs). 

Ang modelo ay may kakayahang gumamit ng “chain-of-thought reasoning,” na katulad ng ginagawa ng tao kapag naglutas ng problema, na kinabibilangan ng paghahati ng kumplikadong bagay sa maliliit, madaling pamahalaang gawain. Ang aplikasyon ng pangangatwiran na kahawig ng tao sa mga LLM ay naobserbahan na dati ng Google Research at iba pa.

Isang Bagong AI Model para Lutasin ang PDEs

Habang patuloy na lumalago ang paggamit at kasikatan ng AI, lumalawak din ang mga kakayahan nito, kung saan ang mga mananaliksik at kumpanya ay nagsusumikap na gawing mas mahusay at mas tumpak ang teknolohiya.

Ang pinakabagong AI framework mula sa mga mananaliksik ng Johns Hopkins ay gumagamit ng pangkalahatang pamamaraan upang hulaan ang mga solusyon sa mga matagal at laganap na matematikal na ekwasyon. Ang partial differential equations (PDEs) ay isang laganap na gawain sa larangan ng inhinyeriya at pananaliksik sa medisina. 

Gayunpaman, ang mga gastusin sa komputasyon na kinakailangan upang lutasin ang mga ekwasyong ito ay maaaring napakataas. Karaniwan, ang paglutas ng mga napakalaking problemang matematika ay nangangailangan ng supercomputer, ngunit hindi na ngayon. 

Pinapayagan ng bagong AI framework kahit ang mga personal na kompyuter na harapin ang mga partial differential equations na ginagamit ng mga siyentipiko upang isalin ang mga totoong proseso o sistema sa mga matematikal na representasyon kung paano nagbabago ang mga bagay sa paglipas ng panahon at espasyo.

Hindi ito ang unang pagkakataon na iminungkahi ang isang AI model para lutasin ang PDEs; sa katunayan, unang ibinahagi ang ideya nito ilang dekada na ang nakalilipas. Sa umuusbong na larangan ng scientific machine learning, ang paglutas ng partial differential equations gamit ang neural networks ay nakakuha ng maraming atensyon nitong nakaraang dekada dahil sa mga pag-unlad sa kakayahang kompyutasyonal para sa pagsasanay ng deep neural networks.

Sa kabila ng tagumpay ng neural operator, na gumagamit ng AI upang matutunan ang PDE solution operator, napansin ng pinakabagong pananaliksik na patuloy na umiiral ang mga computational bottleneck kapag nagsasagawa ng mga gawain sa optimisasyon at prognostikasyon. Ito ay dahil sa kawalan ng kakayahan ng neural operators na tasahin ang mga solusyon ng PDE na nakadepende sa geometry.

Sa kasalukuyan, ang karamihan ng mga neural operator framework, ayon sa pag-aaral, ay binuo sa isang domain na may nakapirming hangganan. Bukod pa rito, ang pagkakaroon ng mga pagbabago sa hugis ay nangangailangan ng muling pagsasanay ng neural network. 

Kaya, bilang tugon sa mga hamong ito sa komputasyon, iminungkahi ng mga mananaliksik ang DIMON — Diffeomorphic Mapping Operator Learning. Para dito, pinagsama nila ang neural operators sa diffeomorphic mappings sa pagitan ng mga domain at hugis. 

Inaalis ng modelo ang pangangailangan na muling kalkulahin ang mga grid sa bawat pagbabago ng anyo. Sa ganitong paraan, maaaring mapabilis ng DIMON ang mga simulation at i-optimize ang mga disenyo sa pamamagitan ng pag-predict kung paano kumikilos ang mga pisikal na elemento tulad ng galaw, stress, at init sa iba’t ibang hugis sa halip na hatiin ang kumplikadong hugis sa maliliit na elemento.

Sa pangkalahatan, ang paglutas ng mga ekwasyong ito ay kinabibilangan ng paghahati ng kumplikadong hugis, tulad ng mga organ ng tao o pakpak ng eroplano, sa mga grid o mesh na binubuo ng maliliit na elemento. Ang problema ay nilulutas sa bawat simpleng piraso bago muling pagsamahin. 

Gayunpaman, kung ang mga hugis na ito ay nagbago dahil sa banggaan o deformasiyon, kailangang i-update ang mga grid. Ibig sabihin, kailangan ding muling kalkulahin ang mga solusyon, na nagiging hindi lamang magastos kundi mabagal din ang buong proseso ng komputasyon. 

Gumagamit ang DIMON ng AI upang maunawaan kung paano gumagana ang mga pisikal na sistema sa iba’t ibang hugis. Kaya, hindi na kailangang hatiin ng mga mananaliksik ang mga hugis sa mga grid at muling lutasin ang mga ekwasyon nang paulit-ulit; sa halip, ginagamit ng AI ang mga pattern na natutunan nito upang hulaan kung paano kikilos ang iba’t ibang salik, na nagiging mas epektibo at mas mabilis ang pagmomodelo ng mga senaryong partikular sa hugis at pag-optimize ng mga disenyo.

Ayon kay co-lead Natalia Trayanova, isang propesor ng biomedical engineering at medisina sa Johns Hopkins University:

“Habang ang motibasyon para ito ay binuo ay nagmula sa aming sariling na trabaho, ito ay isang solusyon na sa tingin namin ay magkakaroon ng malaking epekto sa iba’t ibang larangan ng inhinyeriya dahil ito ay napaka-pangkalahatan at scalable.”

Isang Puntos ng Pagbabago para sa mga Disenyo ng Inhinyeriya

Nagbibigay ang bagong AI framework ng isang pamamaraan na nagpapahintulot ng mabilis na prediksyon ng mga solusyon ng PDE sa maraming domain. Bukod pa rito, pinadadali nito ang maraming downstream na aplikasyon gamit ang AI. 

Sa pagtalakay sa mga kakayahan ng modelo, binigyang-diin ni Trayanova na ang DIMON ay maaaring magtrabaho sa anumang problema sa anumang larangan ng agham o inhinyeriya upang lutasin ang PDE sa maraming geometry. 

Kasama dito ang crash testing, pagsusuri kung paano tumutugon ang mga spacecraft sa matinding kapaligiran, pagtatasa kung paano tumitibay ang mga tulay sa stress, pag-aaral kung paano kumakalat ang mga likido sa iba’t ibang geometry, pagsasagawa ng pananaliksik sa ortopediks, at pagharap sa iba pang kumplikadong problema kung saan nagbabago ang mga materyales at hugis. Ang pagmomodelo ng lahat ng mga senaryong ito ay maaaring gawin nang mas mabilis salamat sa bagong AI framework.

Upang ipakita ang aplikasyon ng bagong modelo sa paglutas ng iba pang uri ng problemang pang-inhinyeriya, sinubukan ng koponan ang DIMON sa mahigit 1,000 heart “digital twins.” Ang mga digital twins na ito ay lubos na detalyadong computer model ng mga puso ng totoong pasyente.

Sa pamamagitan ng paglutas ng partial differential equations sinusuri ang cardiac arrhythmia. Ang kondisyon ay nagdudulot ng hindi regular na tibok ng puso dahil sa maling pag-uugali ng electrical impulse. Ang mga digital twins ng puso ay nagbibigay-daan sa mga mananaliksik na matukoy kung maaaring magkasakit ang mga pasyente sa kondisyong ito, na madalas nakamamatay, at magrekomenda ng mga paraan upang gamutin ito. 

Nakita na ang bagong AI framework ay matagumpay sa pag-predict kung paano naglilipat ng mga electrical signal sa bawat natatanging hugis ng puso nang may mataas na katumpakan nang hindi na kailangan pang magsagawa ng magastos na numerical simulations.

Si Trayanova, ang direktor ng Johns Hopkins Alliance for Cardiovascular Diagnostic and Treatment Innovation, ay nag-aaplay ng data-driven na mga pamamaraan, computational modeling, at mga inobasyon sa cardiac imaging upang mag-diagnose at magpagamot ng cardiovascular disease. Patuloy silang nagdadala ng mga bagong teknolohiya sa klinika.  

Gayunpaman, binigyang-diin niya na ang kanilang mga solusyon ay masyadong mabagal dahil tumatagal ng halos isang linggo upang i-scan ang puso ng pasyente at lutasin ang PDE upang hulaan kung ang pasyente ay may mataas na panganib sa biglaang cardiac death at pagkatapos ay magbigay ng pinakamahusay na plano ng paggamot.

Ngunit nakikita ang isang napakalaking pagbabago sa kanilang pinakabagong modelo.

“Sa bagong AI na pamamaraang ito, ang bilis ng pagkakaroon namin ng solusyon ay hindi kapani-paniwala.”

– Trayanova

Ang oras na kinakailangan upang gawin ang prediksyon ng isang heart digital twin ay nabawasan mula sa ilang oras hanggang kalahating minuto (30 segundo). Hindi pa ito lahat; ang pagkalkula nito ay hindi na nangangailangan ng supercomputer. Sa halip, ginagawa ito sa isang desktop computer, na sinabi ni Trayanova na magbibigay-daan sa kanila “na gawing bahagi ito ng pang-araw-araw na klinikal na workflow.”

Ang pagiging versatile ng teknolohiya ay ginagawa itong perpekto para sa mga sitwasyon kung saan paulit-ulit na kinakailangan ang paglutas ng partial differential equations sa mga bagong hugis. 

“Para sa bawat problema, unang nilulutas ng DIMON ang partial differential equations sa isang hugis at pagkatapos ay ini-map ang solusyon sa maraming bagong hugis. Ang kakayahang mag‑shape‑shift na ito ay nagpapakita ng napakalaking versatility nito. Labis kaming nasasabik na ilagay ito sa trabaho sa maraming problema pati na rin upang ibigay ito sa mas malawak na komunidad upang pabilisin ang kanilang mga solusyon sa disenyo ng inhinyeriya.”

– Minglang Yin, isang postdoc fellow sa Johns Hopkins Biomedical Engineering, na nag-develop ng platform

Mga Kumpanyang Nagpapalago ng AI

Ngayon, tingnan natin ang mga kumpanya na tumutulong itaas ang rebolusyong teknolohikal ng AI sa bagong antas. 

1. NVIDIA Corporation

Isang nangungunang provider ng mga GPU, ang Nvidia (NVDA ) ay ang ikalawang pinakamalaking kumpanya sa mundo, na may market cap na $3.28 trilyon. Sa oras ng pagsulat, ang kanilang mga shares ay nagte-trade sa $133.91, tumaas ng 171.9% ngayong taon (YTD) habang may EPS (TTM) na 2.54, P/E (TTM) na 52.90, at ROE (TTM) na 127.21% at nagbabayad ng dividend yield na 0.03%.

Ang hardware at software solutions ng kumpanya ay mahalaga para sa mga aplikasyon ng deep learning at mga simulation ng inhinyeriya, na gumaganap ng mahalagang papel sa pagpapalago ng rebolusyong AI.

Dahil sa AI mania, iniulat ng Nvidia na nagkaroon ng kita na higit sa $35 bilyon para sa Q3 na nagtapos noong Oktubre 27, 2024, na isang pagtaas ng 17% mula sa nakaraang quarter at isang malaking pagtaas na 94% mula isang taon ang nakalilipas.

“Ang panahon ng AI ay nasa ganap na pag-usbong, na nagtutulak ng pandaigdigang paglipat sa NVIDIA computing,” sabi ng CEO at founder na si Jensen Huang, na dagdag pa niyang ang AI ay hindi lamang nagbabago ng mga kumpanya at industriya kundi pati na rin ng mga bansa na “nagising sa kahalagahan ng pag-develop ng kanilang pambansang AI at imprastruktura.”

2. Microsoft Corporation   

Ang pagkakaroon ng market cap na $3.32 trilyon ay naglalagay sa Microsoft sa tatlong nangungunang kumpanya sa mundo batay sa market cap. Ang kanilang mga shares, sa oras ng pagsulat, ay nagte-trade sa $447.24, na kumakatawan sa pagtaas na halos 19% YTD. Ito ay naglalagay sa EPS (TTM) ng kumpanya sa 12.11, P/E (TTM) sa 36.92, at ROE (TTM) sa 35.60%. Ang dividend yield na binabayaran ng Microsoft ay 0.74%.

Ang pinakamalaking pakikilahok ng Microsoft sa AI ay sa pamamagitan ng OpenAI, kung saan ito ay nag-invest ng higit sa $13 bilyon. Bilang karagdagan sa pakikipagtulungan nito sa OpenAI, na kamakailan lamang ay na-valu sa $150 bilyon, ang Microsoft ay malaki ring namumuhunan sa pananaliksik sa AI, mga solusyon sa cloud, at mga aplikasyon para sa inhinyeriya at siyentipikong kompyutasyon.

Para sa panahon mula Hulyo hanggang Setyembre, iniulat ng kumpanya na nagkaroon ng $65.6 bilyon sa benta, isang pagtaas na 16% mula isang taon ang nakalilipas, habang ang kanilang kita ay tumaas ng 11% sa $24.7 bilyon. Ang paglago na ito ay pinasigla ng patuloy na demand na “mas mataas kaysa sa aming kakayahang magbigay,” ayon sa finance chief ng Microsoft.

3. ANSYS, Inc.

Ang kumpanyang ito ay dalubhasa sa engineering simulation software para sa paglutas ng kumplikadong problema. Ang kumpanya, kung saan ang mga serbisyo ginagamit ng mga estudyante, mananaliksik, designer, at inhinyero, ay patuloy na nag-iintegrate ng AI upang mapabuti ang kahusayan.

Sa market cap na $29.75 bilyon, ang mga shares ng Ansys ay kasalukuyang nagte-trade sa $339.51, bumaba ng 6.24% ngayong taon. Ito ay may EPS (TTM) na 6.47, P/E (TTM) na 52.55, at ROE (TTM) na 10.48%.

Para sa 3Q24, iniulat ng Ansys na nagkaroon ng $601.9 milyon sa kita, tumaas ng 31% mula sa ikatlong quarter ng nakaraang taon, habang ang kanilang annual contract value (ACV) ay $540.5 milyon. Ang GAAP operating profit margin ay iniulat na 26.8%, habang ang non-GAAP operating profit margin ay 45.8%. Ang operating cash flows para sa period ay $174.2 milyon, habang ang kanilang deferred revenue at backlog ay $1,463.8 milyon.

Konklusyon 

Ang AI ay umuunlad nang mabilis, at ang pagpapakilala ng mga bagong AI framework tulad ng DIMON ay nagmamarka ng rebolusyonaryong hakbang sa paglutas ng kumplikadong problemang pang-inhinyeriya habang lubos na binabawasan ang oras at gastusin sa komputasyon na kaakibat nito. Sa ganitong paraan, ang breakthrough ay hindi lamang nagpapabilis ng mga proseso ng disenyo ng inhinyeriya kundi nagpapalawak din ng aplikasyon ng AI sa iba’t ibang larangan.

Habang patuloy na gumagawa ng malalaking tuklas, bumubuo ng makapangyarihang modelo, at nagpapaunlad ng mga teknolohiya ang mga mananaliksik, kasama ang mga kumpanya tulad ng Nvidia, lumalago nang eksponensyal ang potensyal para sa integrasyon ng AI sa pang-araw-araw na workflow, na nagbubukas ng isang bagong panahon kung saan ang AI ay nagdadala ng hindi pa nasusukat na kahusayan at inobasyon!

I-click dito upang matutunan ang lahat tungkol sa pamumuhunan sa artificial intelligence.