Пресечната точка на симулацията и Изкуствения интелект

Симулацията се очертава като критична технология за подпомагане на бизнеса да съкрати времето за пускане на пазара и да намали разходите за проектиране.

Инженерите и изследователите използват симулация за различни приложения, включително:

• Използване на виртуален модел (известен също като цифров близнак) за симулиране и тестване на техните сложни системи на ранен етап и често в процеса на проектиране.
• Поддържане на цифрова нишка с възможност за проследяване чрез изисквания, системна архитектура, дизайн на компоненти, код и тестове.
• Разширяване на техните системи за извършване на предсказуема поддръжка (PdM, Predictive Maintenance) и анализ на грешки.

Много организации подобряват възможностите си за симулация чрез включване на изкуствен интелект (AI, Artificial Inteligence) в техния дизайн, базиран на модели. В исторически план тези две области са били отделни, но създават значителна стойност за инженерите и изследователите, когато се използват заедно ефективно. Силните и слабите страни на тези технологии са идеално съгласувани, за да помогнат на бизнеса да разреши три основни предизвикателства.

№1: По-добри данни за обучение за по-точни AI модели със симулация

Симулационните модели могат да синтезират данни от реалния свят, които са трудни или скъпи за събиране в добър, изчистен и каталогизиран вид. Докато повечето AI модели работят с фиксирани стойности на параметри, те са постоянно изложени на нови данни, които може да не бъдат уловени в набора за обучение. Ако не бъдат забелязани, тези модели ще генерират неточни прогнози, или ще се провалят напълно, карайки инженерите да прекарват часове в опити да определят защо моделът не работи.

Симулацията може да помогне на инженерите да преодолеят тези предизвикателства. Вместо да променя архитектурата и параметрите на AI модела, беше показано, че времето, прекарано в подобряване на данните за обучение, често може да доведе до по-обширни подобрения в точността.

С производителността на модела, толкова зависима от качеството на данните, с които се обучава, инженерите могат да подобрят резултатите с итеративен процес на симулиране на данни, актуализиране на AI модел, наблюдение на условията, които той не може да предвиди добре, и събиране на повече симулирани данни за тези условия.

№2: AI за нови функции в продукта

Симулацията се превърна в жизненоважна част от процеса на проектиране за инженерите, използващи вградени системи за приложения като системи за управление и обработка на сигнали. В много случаи тези инженери разработват виртуални сензори, устройства, които изчисляват стойност, която не се измерва директно от наличните сензори. Но способността на тези методи да уловят нелинейното поведение, присъстващо в много системи от реалния свят, е ограничена. Затова инженерите се обръщат към подходи, базирани на AI, които имат гъвкавостта да моделират сложността. Те използват данни (измерени или симулирани), за да обучат AI модел, който може да предвиди ненаблюдаваното състояние от наблюдаваните състояния и след това да интегрира този AI модел със системата.

В този случай AI моделът е част от контролния алгоритъм, който завършва на физическия хардуер и обикновено трябва да бъде програмиран на език от по-ниско ниво, като C/C++. Тези изисквания могат да наложат ограничения върху видовете модели за машинно обучение, подходящи за такива приложения, така че техническите специалисти може да се наложи да изпробват множество модели и да сравнят компромисите в точността и производителността на устройството.

В челните редици на изследванията в тази област, обучението с подсилване продължава този подход. Вместо да изучава само оценителя, обучението с подсилване включва цялата стратегия за контрол. Тази техника се оказа ефективна в някои предизвикателни приложения, като роботика и автономни системи, но изграждането на този тип модел изисква точен модел на околната среда – никога не е гаранция – както и огромна изчислителна мощност за провеждане на голям брой симулации.

№3: Баланс между „точно“ и „в момента“

Бизнесът винаги се е борил с времето за пускане на пазара. Организациите, които пробутват бъгове или дефектни решения на клиентите, рискуват да нанесат непоправима вреда на своята марка, особено на стартиращите фирми. Обратното също е вярно, тъй като също и „бягащите“ на установен пазар изпитват трудности. Симулациите бяха важна иновация в дизайна, когато бяха въведени за първи път, но постоянното им подобрение и способността им да създават реалистични сценарии могат да забавят инженерите перфекционисти. Твърде често организациите се опитват да изградят „перфектни“ симулационни модели, чието изграждане отнема значително време, което създава риск, докато бъде завършено, пазарът да се е раздвижил.

За да намерят правилния баланс между скорост и качество, техническите специалисти трябва да признаят, че винаги ще има екологични нюанси, които не могат да бъдат симулирани. На моделите с изкуствен интелект никога не трябва да се вярва сляпо, дори когато служат като приближения за сложни системи с висока точност.

Бъдещето на AI за симулация

AI и симулационните технологии са изградили и поддържат своята инерция поотделно в продължение на почти десетилетие. Сега инженерите започват да виждат голяма стойност в пресечната им точка, като се има в предвид симбиотичното естество на техните силни и слаби страни.

Тъй като моделите продължават да обслужват все по-сложни приложения, AI и симулацията ще станат още по-важни инструменти в инструментариума на инженера. Със способността да се разработват, тестват и валидират модели по точен и достъпен начин, тези методологии ще продължат да се използват, дори поотделно.