В последние годы технологии искусственного интеллекта (ИИ) стремительно развиваются, и Siemens Digital Industries Software представила решение, которое может изменить подход к проектированию. Simcenter PhysicsAI, основанный на геометрическом глубоком обучении, обещает ускорить процесс проектирования до 1000 раз по сравнению с традиционными методами. Однако, несмотря на впечатляющие цифры, важно понимать, что эта технология имеет свои ограничения, особенно в контексте безопасности критически важных компонентов.

Принципы работы Simcenter PhysicsAI

Simcenter PhysicsAI использует метод суррогатного моделирования, который обучается на исторических данных симуляций. Вместо того чтобы вычислять физику с нуля для каждого нового дизайна, ИИ делает прогнозы на основе ранее полученных данных. Это позволяет получить оценку результата за считанные секунды, но не заменяет полное физическое моделирование.

Ограничения в области безопасности

На конференции Realize LIVE Asia-Pacific в Бангалоре, Сам Махалингам, руководитель направления, подчеркнул, что, несмотря на скорость, Simcenter PhysicsAI не подходит для сертификации компонентов, критически важных для безопасности. "Это не подходит для приложений, связанных с безопасностью", — заявил он. Это заявление противоречит общепринятому мнению в индустрии о том, что ИИ может практически все. Важно понимать, что ценность технологии заключается не только в скорости, но и в знании границ ее применения.

Точность и надежность

Махалингам отметил, что точность прогнозов ИИ зависит от качества данных, на которых он обучается. Если у инженеров есть достаточно данных, то результаты могут быть очень близки к результатам, полученным с помощью традиционных физических симуляторов, с отклонением всего в 1-3%. Однако это все еще недостаточно для сертификации компонентов, которые могут угрожать жизни.

Процесс проектирования с использованием ИИ

Использование Simcenter PhysicsAI предполагает, что инженеры могут исследовать множество вариантов дизайна, а затем выбрать несколько наиболее перспективных для дальнейшего детального проектирования с использованием традиционных физических симуляторов. Только после того, как эти финальные варианты пройдут полную проверку с помощью физического моделирования, они могут быть отправлены на производство. Это подчеркивает, что суррогатное моделирование не заменяет валидацию, а служит фильтром перед ней.

Обучение моделей и зависимости

Еще одной важной темой является то, на каких данных обучаются модели ИИ. Многие успешные примеры, такие как проекты с Magna и Continental, основываются на синтетических данных, полученных от симуляторов Siemens. Это вызывает вопрос: может ли ИИ быть лучше, чем симуляция, на которой он обучался? Махалингам признал, что суррогатная модель будет столь же хороша, как и симуляция, на которой она основана.

Защитные механизмы и честность в подходе

Siemens внедрила защитные механизмы, которые не позволяют модели делать прогнозы на основе данных, которые она не видела ранее. Если суррогатная модель обучалась на определенных формах, она не сможет предсказать результаты для радикально отличающихся форм. Это позволяет избежать ошибок, которые могут возникнуть из-за неправильного использования технологии.

Заключение: честный подход к ИИ

Честность Siemens в отношении возможностей и ограничений Simcenter PhysicsAI выделяет компанию среди других поставщиков, которые часто преувеличивают потенциал своих технологий. В то время как многие компании обещают автономность и полную замену человеческого фактора, Siemens подчеркивает важность человеческой валидации в процессе проектирования. Это более реалистичный и устойчивый подход, который позволяет инженерам доверять инструменту, который четко обозначает свои границы.