La simulazione è emersa come una tecnologia fondamentale per aiutare le aziende a ridurre il time-to-market e i costi di progettazione. Ingegneri e ricercatori utilizzano la simulazione per una varietà di applicazioni, tra cui:
Utilizzando un modello virtuale (noto anche come gemello digitale ) per simulare e testare i loro sistemi complessi all’inizio e spesso nel processo di progettazione.
Mantenimento di un thread digitale con tracciabilità attraverso requisiti, architettura di sistema, progettazione dei componenti, codice e test.
Estendere i propri sistemi per eseguire la manutenzione predittiva (PdM) e l’analisi dei guasti.
Molte organizzazioni stanno migliorando le proprie capacità di simulazione incorporando l’intelligenza artificiale (AI) nella progettazione basata su modelli. Storicamente, questi due campi sono stati separati, ma creano un valore significativo per ingegneri e ricercatori se utilizzati insieme in modo efficace. I punti di forza e di debolezza di queste tecnologie sono perfettamente allineati per aiutare le aziende a risolvere tre sfide principali.
Utilizzo dell’intelligenza artificiale per potenziare piattaforme senza codice e semplificare il lavoro – Summit Low-Code/No-Code
Sfida 1: Migliori dati di addestramento per modelli IA più accurati con simulazione
I modelli di simulazione possono sintetizzare i dati del mondo reale difficili o costosi da raccogliere in dati validi, puliti e catalogati. Sebbene la maggior parte dei modelli di intelligenza artificiale venga eseguita utilizzando valori di parametri fissi, sono costantemente esposti a nuovi dati che potrebbero non essere acquisiti nel set di addestramento. Se non vengono notati, questi modelli genereranno informazioni imprecise o falliranno completamente, costringendo gli ingegneri a passare ore a cercare di determinare perché il modello non funziona.
La simulazione può aiutare gli ingegneri a superare queste sfide. Piuttosto che modificare l’architettura e i parametri del modello di intelligenza artificiale, è stato dimostrato che il tempo impiegato per migliorare i dati di addestramento può spesso produrre miglioramenti più estesi nella precisione.
Con le prestazioni di un modello così dipendenti dalla qualità dei dati con cui viene addestrato, gli ingegneri possono migliorare i risultati con un processo iterativo di simulazione dei dati, aggiornamento di un modello di intelligenza artificiale, osservazione delle condizioni che non può prevedere bene e raccolta di più dati simulati per quelli condizioni.
Sfida 2: IA per nuove funzionalità all’interno del prodotto
La simulazione è diventata una parte vitale del processo di progettazione per gli ingegneri che utilizzano sistemi integrati per applicazioni come i sistemi di controllo e l’elaborazione dei segnali. In molti casi, questi ingegneri stanno sviluppando sensori virtuali , dispositivi che calcolano un valore che non viene misurato direttamente dai sensori disponibili. Ma la capacità di questi metodi di catturare il comportamento non lineare presente in molti sistemi del mondo reale è limitata, quindi gli ingegneri si stanno rivolgendo ad approcci basati sull’intelligenza artificiale che hanno la flessibilità di modellare le complessità. Usano i dati (misurati o simulati) per addestrare un modello di intelligenza artificiale in grado di prevedere lo stato non osservato dagli stati osservati e quindi integrare tale modello di intelligenza artificiale con il sistema.
In questo caso, il modello AI fa parte dell’algoritmo di controllo che finisce sull’hardware fisico e di solito deve essere programmato in un linguaggio di livello inferiore, come C/C++. Questi requisiti possono imporre restrizioni sui tipi di modelli di machine learning appropriati per tali applicazioni, quindi i professionisti tecnici potrebbero dover provare più modelli e confrontare i compromessi in termini di accuratezza e prestazioni sul dispositivo.
In prima linea nella ricerca in questo settore, l’apprendimento per rinforzo porta ulteriormente questo approccio. Piuttosto che apprendere solo lo stimatore, l’apprendimento per rinforzo incorpora l’intera strategia di controllo. Questa tecnica si è dimostrata efficace in alcune applicazioni impegnative, come la robotica e i sistemi autonomi, ma la costruzione di questo tipo di modello richiede un modello accurato dell’ambiente – mai una garanzia – oltre a un’enorme potenza di calcolo per eseguire un gran numero di simulazioni.
Sfida 3: bilanciare “giusto” vs. “adesso”
Le aziende hanno sempre lottato con il time-to-market. Le organizzazioni che spingono ai clienti una soluzione difettosa o difettosa rischiano danni irreparabili al loro marchio, in particolare le startup. È vero il contrario in quanto “anche-rans” in un mercato consolidato ha difficoltà a guadagnare trazione. Le simulazioni sono state un’importante innovazione di progettazione quando sono state introdotte per la prima volta, ma il loro costante miglioramento e la capacità di creare scenari realistici possono rallentare gli ingegneri perfezionisti. Troppo spesso, le organizzazioni cercano di costruire modelli di simulazione “perfetti” che richiedono molto tempo per essere costruiti, il che introduce il rischio che il mercato sia andato avanti.
Per trovare il giusto equilibrio tra velocità e qualità, i professionisti tecnici devono riconoscere che ci saranno sempre sfumature ambientali che non possono essere simulate. I modelli di intelligenza artificiale non dovrebbero mai essere considerati ciecamente, anche quando servono come approssimazioni per sistemi complessi e ad alta fedeltà.
Il futuro dell’IA per la simulazione
Le tecnologie di intelligenza artificiale e simulazione hanno costruito e mantenuto il loro slancio individualmente per quasi un decennio. Ora, gli ingegneri stanno iniziando a vedere molto valore nel loro incrocio, data la natura simbiotica dei loro punti di forza e di debolezza.
Poiché i modelli continuano a servire applicazioni sempre più complesse, l’intelligenza artificiale e la simulazione diventeranno strumenti ancora più essenziali nella cassetta degli attrezzi dell’ingegnere. Con la capacità di sviluppare, testare e convalidare i modelli in modo accurato e conveniente, queste metodologie continueranno solo a crescere in uso.
