TL;DR
- بسیاری از چالشهای مهندسی به یک سردرد منتهی میشوند - تعداد زیادی دستگیره برای چرخاندن و شانس بسیار.
- کمیبرای آزمایش آنها.
- چه تنظیم یک شبکه برق یا طراحی یک وسیله نقلیه ایمنتر،.
چه اتفاقی افتاد
بسیاری از چالشهای مهندسی به یک سردرد منتهی میشوند - تعداد زیادی دستگیره برای چرخاندن و شانس بسیار. کمیبرای آزمایش آنها.
چه تنظیم یک شبکه برق یا طراحی یک وسیله نقلیه ایمنتر،. هر ارزیابی میتواند پرهزینه باشد،.
و ممکن است صدها متغیر وجود داشته باشد که میتواند مهم باشد. طراحی ایمنی خودرو را در نظر بگیرید.
مهندسان باید هزاران قطعه را ادغام کنند و بسیاری از انتخابهای طراحی میتوانند بر عملکرد یک وسیله نقلیه. در هنگام برخورد تأثیر بگذارند.
ابزارهای بهینهسازی کلاسیک میتوانند هنگام جستجو برای بهترین ترکیب با مشکل مواجه شوند. محققان MIT رویکرد جدیدی ایجاد کردند که در آن بازنگری میکند که چگونه یک روش کلاسیک،.
معروف به بهینهسازی بیزی،. میتواند برای حل مسائل با صدها متغیر استفاده شود.
در تستهای معیارهای سبک مهندسی واقعی،. مانند بهینهسازی سیستم قدرت،.
این رویکرد راهحلهای برتر را 10 تا 100 برابر سریعتر از روشهای پرکاربرد پیدا کرد. تکنیک آنها از یک مدل پایه آموزش داده شده در جدول استفاده میکند.
دادههایی که بهطور خودکار متغیرهایی را که برای بهبود عملکرد مهمتر هستند،. شناسایی میکنند و فرآیند را تکرار میکنند تا راهحلهای بهتر و بهتری پیدا کنند.
مدلهای بنیادی، سیستمهای هوش مصنوعی عظیمیهستند که بر روی مجموعه دادههای گسترده و کلی آموزش دیدهاند. این به آنها اجازه میدهد تا با کاربردهای مختلف سازگار شوند.
مدل پایه جدولی محققان نیازی به آموزش مداوم ندارد زیرا در جهت راهحل کار میکند و کارایی فرآیند. بهینهسازی را افزایش میدهد.
این تکنیک همچنین سرعتهای بیشتری را برای مشکلات پیچیدهتر ارائه میکند،. بنابراین میتواند به ویژه در برنامههای کاربردی سخت مانند توسعه مواد یا کشف دارو مفید باشد.
"هوش مصنوعی مدرن و مدلهای یادگیری ماشینی میتوانند اساساً روشی را که مهندسان و دانشمندان ایجاد میکنند سیستمهای. پیچیده را تغییر دهند.
ما به یک الگوریتم رسیدیم که نه تنها میتواند مسائل با ابعاد بالا را حل کند،. بلکه میتواند برای استفاده مجدد نیز استفاده شود.
روزن یو،. دانشجوی فارغ التحصیل علوم و مهندسی محاسبات و نویسنده اصلی مقاله در مورد این تکنیک،.
میگوید:. «مشکلات زیادی بدون نیاز به شروع همه چیز از صفر.
کنفرانس بازنماییهای یادگیری. بهبود یک روش اثبات شده هنگامیکه دانشمندان به دنبال حل یک مشکل چند وجهی هستند،.
اما روشهای گران قیمتی برای ارزیابی موفقیت دارند،. مانند تست تصادف برای دانستن اینکه هر طرح چقدر خوب است،.
آنها اغلب از یک روش آزمایش شده و واقعی به نام بهینهسازی بیزی استفاده میکنند. اما مدل جایگزین باید پس از هر تکرار دوباره آموزش داده شود،.
که وقتی فضای راهحلهای بالقوه بسیار زیاد است،. میتواند به سرعت از نظر محاسباتی غیرقابل حل شود.
علاوه بر این،. دانشمندان باید هر زمان که میخواهند با سناریوی متفاوتی مقابله کنند،.
یک مدل جدید از ابتدا بسازند. برای رفع هر دو کاستی،.
محققان MIT از یک سیستم هوش مصنوعی مولد بهعنوان مدل پایه جدولی بهعنوان مدل جایگزین در یک الگوریتم. بهینهسازی بیزی استفاده کردند.
دادهها، که در حوزه مهندسی، دیدن و استفاده از آنها بسیار رایجتر از زبان است. این باعث میشود که به خوبی مجهز شود برای مقابله با طیفی از مشکلات پیش بینی علاوه.
بر این،. این مدل را میتوان بدون نیاز به هیچ گونه آموزش مجدد،.
همانطور که هست پیادهسازی کرد. محققان برای اینکه سیستم خود را دقیقتر و کارآمدتر برای بهینهسازی کنند،.
از ترفندی استفاده کردند که مدل را قادر میسازد ویژگیهای فضای طراحی را شناسایی کند که بیشترین تأثیر. را بر راهحل خواهد داشت.
«یک خودرو ممکن است 300 معیار طراحی داشته باشد،. اما همه آنها نمیتوانند محرک اصلی برای انتخاب بهترین پارامترهای ایمنی باشند.
یو میگوید:. «ویژگیهای حیاتی برای تمرکز روی آنها این کار را با استفاده از یک مدل پایه جدولی انجام میدهد.
تا تخمین بزند که کدام متغیرها (یا ترکیبی از متغیرها) بیشتر بر نتیجه تأثیر میگذارند. سپس به جای اتلاف وقت برای بررسی همه چیز بهطور یکسان،.
جستجو را بر روی آن متغیرهای تأثیرگذار متمرکز میکند. بهعنوان مثال،.
اگر اندازه ناحیه مچاله جلو بهطور قابل توجهی افزایش یابد و رتبه ایمنی خودرو بهبود یافته است،. این ویژگی احتمالاً در بهبود آن نقش داشته است.
یو میگوید مشکلات بزرگتر،. راهحلهای بهتر یکی از بزرگترین چالشهای آنها یافتن بهترین مدل پایه جدولی برای این کار بود.
سپس مجبور شدند آن را با یک الگوریتم بهینهسازی بیزی بهگونهای مرتبط کنند که بتواند برجستهترین ویژگیهای طراحی. را شناسایی کند.
«پیدا کردن برجستهترین بعد یک مشکل شناخته شده در ریاضیات و علوم رایانه است،. اما یافتن راهی که از ویژگیهای یک مدل پایه جدولی استفاده کند،.
چالشی واقعی بود. پیشرفتهترین الگوریتمهای بهینهسازی.
روی 60 مشکل معیار،. از جمله موقعیتهای واقعی مانند طراحی شبکه برق و آزمایش تصادف خودرو،.
روش آنها بهطور مداوم بهترین راهحل را بین 10 تا 100 برابر سریعتر از سایر الگوریتمها. یو افزود:.
«وقتی یک مسئله بهینهسازی ابعاد بیشتر و بیشتری پیدا میکند،. الگوریتم ما واقعاً میدرخشد.» اما روش آنها در همه مسائل،.
مانند برنامهریزی مسیر روباتیک،. از خطوط پایه بهتر عمل نکرد.
یو میگوید این احتمالاً نشان میدهد که سناریو در دادههای آموزشی مدل به خوبی تعریف نشده است. در آینده، محققان میخواهند روشهایی را مطالعه کنند که میتواند عملکرد مدلهای پایه جدولی را افزایش دهد.
آنها همچنین میخواهند تکنیک خود را برای مشکلاتی با هزاران یا حتی میلیونها ابعاد،. مانند طراحی یک کشتی نیروی دریایی،.
به کار ببرند. «در سطح بالاتر،.
این کار به تغییر گستردهتری اشاره میکند:. استفاده از مدلهای پایه نه فقط برای ادراک یا زبان،.
بلکه بهعنوان موتورهای الگوریتمیدر ابزارهای علمیو مهندسی،. که به روشهای کلاسیک مانند بهینهسازی بیزی اجازه میدهد تا به روشهای کلاسیکی مانند بهینهسازی بیزی برای مقیاسپذیری.
در رویکرد احمدراکتیک قبلی ارائه شود». کار،.
با استفاده از یک مدل پایه از پیشآموزشدیده همراه با بهینهسازی بیزی با ابعاد بالا،. روشی خلاقانه و امیدوارکننده برای کاهش نیازهای دادههای سنگین طراحی مبتنی بر شبیهسازی است.
وی چن،. پروفسور ویلسون کوک در طراحی مهندسی و رئیس دپارتمان مهندسی مکانیک دانشگاه نورث وسترن،.
که در این تحقیق دخالتی نداشت،. میگوید:.
بهطور کلی،. این کار گامیعملی و قدرتمند در جهت دسترسی بیشتر به بهینهسازی طراحی پیشرفته و کاربرد آسانتر در.
تنظیمات دنیای واقعی است.
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.