التقاطع الجميل بين المحاكاة والذكاء الاصطناعي

ظهرت المحاكاة كتقنية مهمة لمساعدة الشركات على تقصير وقت الوصول إلى السوق وخفض تكاليف التصميم. يستخدم المهندسون والباحثون المحاكاة لمجموعة متنوعة من التطبيقات ، بما في ذلك:

• استخدام نموذج افتراضي (يُعرف أيضًا باسم التوأم الرقمي) لمحاكاة واختبار أنظمتهم المعقدة مبكرًا وغالبًا في عملية التصميم.
• الحفاظ على خيط رقمي مع إمكانية التتبع من خلال المتطلبات وبنية النظام وتصميم المكونات والكود والاختبارات.
• توسيع أنظمتهم لإجراء الصيانة التنبؤية (PdM) وتحليل الأعطال.

تعمل العديد من المؤسسات على تحسين قدرات المحاكاة الخاصة بها من خلال دمج الذكاء الاصطناعي (AI) في تصميمها القائم على النموذج. تاريخيًا ، كان هذان المجالان منفصلين ، لكنهما يخلقان قيمة كبيرة للمهندسين والباحثين عند استخدامهما معًا بفعالية. تتوافق نقاط القوة والضعف في هذه التقنيات بشكل مثالي لمساعدة الشركات على حل ثلاثة تحديات رئيسية.

التحدي الأول: بيانات تدريب أفضل لنماذج ذكاء اصطناعي أكثر دقة مع محاكاة

يمكن لنماذج المحاكاة تجميع بيانات العالم الحقيقي التي يصعب جمعها أو تكون مكلفة في الحصول على بيانات جيدة ونظيفة ومفهرسة. بينما تعمل معظم نماذج الذكاء الاصطناعي باستخدام قيم معلمات ثابتة ، فإنها تتعرض باستمرار لبيانات جديدة قد لا يتم التقاطها في مجموعة التدريب. إذا لم يتم ملاحظتها ، فستولد هذه النماذج رؤى غير دقيقة أو ستفشل تمامًا ، مما يتسبب في قضاء المهندسين ساعات في محاولة تحديد سبب عدم عمل النموذج.

يمكن أن تساعد المحاكاة المهندسين على التغلب على هذه التحديات. بدلاً من تعديل بنية نموذج الذكاء الاصطناعي ومعلماته ، فقد تبين أن الوقت المستغرق في تحسين بيانات التدريب يمكن أن يؤدي غالبًا إلى تحسينات أكثر شمولاً في الدقة.

مع اعتماد أداء النموذج على جودة البيانات التي يتم تدريبها عليها ، يمكن للمهندسين تحسين النتائج من خلال عملية تكرارية لمحاكاة البيانات ، وتحديث نموذج الذكاء الاصطناعي ، ومراقبة الظروف التي لا يمكن التنبؤ بها بشكل جيد ، وجمع المزيد من البيانات المحاكاة لهؤلاء. شروط.

التحدي 2: الذكاء الاصطناعي للميزات الجديدة داخل المنتج

أصبحت المحاكاة جزءًا حيويًا من عملية التصميم للمهندسين الذين يستخدمون أنظمة مدمجة للتطبيقات مثل أنظمة التحكم ومعالجة الإشارات. في كثير من الحالات ، يعمل هؤلاء المهندسين على تطوير أجهزة استشعار افتراضية ، وهي أجهزة تحسب قيمة لا تُقاس مباشرة من المستشعرات المتاحة. لكن قدرة هذه الأساليب على التقاط السلوك غير الخطي الموجود في العديد من أنظمة العالم الحقيقي محدودة ، لذلك يلجأ المهندسون إلى الأساليب القائمة على الذكاء الاصطناعي والتي تتمتع بالمرونة لنمذجة التعقيدات. يستخدمون البيانات (سواء تم قياسها أو محاكاتها) لتدريب نموذج ذكاء اصطناعي يمكنه التنبؤ بالحالة غير المرصودة من الحالات المرصودة ثم دمج نموذج الذكاء الاصطناعي هذا مع النظام.

في هذه الحالة ، يعد نموذج الذكاء الاصطناعي جزءًا من خوارزمية عناصر التحكم التي تنتهي على الأجهزة المادية وعادة ما تحتاج إلى برمجتها بلغة منخفضة المستوى ، مثل C / C ++. يمكن أن تفرض هذه المتطلبات قيودًا على أنواع نماذج التعلم الآلي المناسبة لمثل هذه التطبيقات ، لذلك قد يحتاج المحترفون الفنيون إلى تجربة نماذج متعددة ومقارنة المفاضلات في الدقة والأداء على الجهاز.

في طليعة البحث في هذا المجال ، يأخذ التعلم المعزز هذا النهج إلى أبعد من ذلك. بدلاً من تعلم المقدر فقط ، يتضمن التعلم المعزز استراتيجية التحكم بأكملها. أثبتت هذه التقنية فعاليتها في بعض التطبيقات الصعبة ، مثل الروبوتات والأنظمة المستقلة ، لكن بناء هذا النوع من النماذج يتطلب نموذجًا دقيقًا للبيئة – وليس ضمانًا أبدًا – بالإضافة إلى قوة حسابية هائلة لتشغيل عدد كبير من عمليات المحاكاة.

التحدي 3: الموازنة بين “الحق” و “الآن”

لقد عانت الشركات دائمًا من وقت الوصول إلى السوق. تخاطر المنظمات التي تدفع حلاً معيبًا أو معيبًا للعملاء بإلحاق ضرر لا يمكن إصلاحه بعلامتها التجارية ، وخاصة الشركات الناشئة. والعكس صحيح لأن “المتخلفين أيضًا” في سوق راسخة يجدون صعوبة في اكتساب الزخم. كانت المحاكاة ابتكارًا مهمًا في التصميم عندما تم تقديمها لأول مرة ، لكن تحسينها المستمر وقدرتها على إنشاء سيناريوهات واقعية يمكن أن يبطئ المهندسين أصحاب الكمال. في كثير من الأحيان ، تحاول المؤسسات إنشاء نماذج محاكاة “مثالية” تستغرق وقتًا طويلاً في بنائها ، مما يؤدي إلى خطر انتقال السوق.

لإيجاد التوازن المناسب بين السرعة والجودة ، يجب أن يقر المهنيون الفنيون بأنه ستكون هناك دائمًا فروق دقيقة بيئية لا يمكن محاكاتها. لا ينبغي أبدًا الوثوق بنماذج الذكاء الاصطناعي بشكل أعمى ، حتى عندما تكون بمثابة تقديرات تقريبية لأنظمة معقدة وعالية الدقة.

مستقبل الذكاء الاصطناعي للمحاكاة

لقد نجحت تقنيات الذكاء الاصطناعي والمحاكاة في بناء والحفاظ على زخمها بشكل فردي لما يقرب من عقد من الزمان. الآن ، بدأ المهندسون في رؤية الكثير من القيمة عند تقاطعهم ، نظرًا للطبيعة التكافلية لنقاط القوة والضعف لديهم.

مع استمرار النماذج في خدمة التطبيقات المعقدة بشكل متزايد ، سيصبح الذكاء الاصطناعي والمحاكاة أدوات أكثر أهمية في صندوق أدوات المهندس. مع القدرة على تطوير النماذج واختبارها والتحقق من صحتها بطريقة دقيقة وبأسعار معقولة ، ستستمر هذه المنهجيات في النمو فقط.

Seth DeLand هو مدير تسويق منتجات تحليلات البيانات في MathWorks.