Siemensin Physics AI voi nopeuttaa insinöörien suunnittelutyötä jopa tuhatkertaisesti perinteisiin simulointeihin verrattuna. Yhtiö kuitenkin korostaa, ettei tekoälymallia pidä käyttää turvallisuuskriittisten komponenttien lopulliseen hyväksyntään.
Siemens Digital Industries Softwaren Sam Mahalingam teki rajan poikkeuksellisen selväksi Realize LIVE Asia-Pacific -tapahtumassa.
Kyse ei ole siitä, etteikö Siemens luottaisi teknologiaansa. Sen sijaan Physics AI on tarkoitettu nopeuttamaan suunnittelun alkuvaihetta, jonka jälkeen lupaavimmat vaihtoehdot tarkastetaan edelleen varsinaisilla fysiikkapohjaisilla simuloinneilla.
Tuhansia vaihtoehtoja voidaan tutkia nopeasti
Simcenter PhysicsAI käyttää geometrista syväoppimista ennustamaan, miten uusi suunnitteluratkaisu käyttäytyy. Sen sijaan, että fysiikka laskettaisiin jokaisen vaihtoehdon kohdalla kokonaan uudelleen, tekoäly hyödyntää aikaisemmista simulaatioista oppimaansa.
Tuloksia voidaan tämän ansiosta saada sekunneissa. Siemensin mukaan ennusteet voivat riittävän koulutusdatan avulla päästä noin 1–3 prosentin päähän perinteisen fysiikkapohjaisen solverin tuloksista.
Ero on pieni, mutta turvallisuuskriittisessä suunnittelussa se voi silti olla liian suuri.
Siemensin ajatuksena onkin käyttää Physics AI:ta eräänlaisena ensimmäisen vaiheen suodattimena. Insinöörit voivat tutkia valtavan määrän vaihtoehtoja nopeasti ja valita esimerkiksi kaksi tai kolme lupaavinta jatkotarkasteluun.
Vasta nämä vaihtoehdot analysoidaan perusteellisesti fysiikkapohjaisella simuloinnilla ennen mahdollista valmistusta.
Mahalingamin mukaan sama periaate koskee myös Siemensin esittelemää Continentalin turvatyynyihin liittyvää käyttötapausta. Physics AI auttaa suunnitteluvaihtoehtojen tutkimisessa, mutta sillä ei yksin hyväksytä lopullista tuotetta.
Physics AI on riippuvainen koulutusdatastaan
Nopeudella on toinenkin merkittävä rajoitus. Tekoälymallin täytyy ensin oppia riittävästä määrästä laadukasta simulaatiodataa. Kaikilla yrityksillä tällaista aineistoa ei ole valmiina.
Siemensin ratkaisu on tuottaa synteettistä koulutusdataa omilla simulointityökaluillaan. Esimerkiksi Magnan tapauksessa suunnitteluvaihtoehtoja luotiin Simcenter HEEDSillä ja niiden käyttäytymistä laskettiin Simsolidilla. Tuloksia käytettiin tämän jälkeen Physics AI -mallin kouluttamiseen.
Tämä tarkoittaa samalla sitä, että tekoälyn suorituskyky riippuu sen taustalla olevien simulaatioiden laadusta.
Malli ei myöskään välttämättä pysty luotettavasti arvioimaan rakennetta, joka poikkeaa voimakkaasti sen koulutusdatasta.
Siemens kertoo rakentaneensa tätä varten järjestelmään suojauksia. Jos uusi geometria on liian erilainen verrattuna mallin tuntemiin rakenteisiin, järjestelmän pitäisi ilmoittaa, ettei se pysty tekemään luotettavaa ennustetta.
Tekoäly ei korvaa perinteistä simulointia
Physics AI:n keskeinen hyöty ei siis ole fysiikkasimulaatioiden poistaminen vaan niiden määrän vähentäminen.
Perinteisessä prosessissa insinöörit voivat joutua käyttämään paljon laskenta-aikaa kymmenien tai satojen vaihtoehtojen simulointiin. Physics AI:n avulla vaihtoehtojen joukkoa voidaan kasvattaa huomattavasti ja samalla karsia heikot ratkaisut jo ennen raskaita simulointeja.
Tämä voi muuttaa erityisesti optimointia. Kun yksittäisen vaihtoehdon tarkastaminen muuttuu huomattavasti nopeammaksi, suunnittelija voi kokeilla sellaisiakin ratkaisuja, joiden simulointiin ei aikaisemmin olisi ollut käytännössä aikaa tai laskentakapasiteettia.
Turvallisuuskriittisessä suunnittelussa viimeinen sana säilyy silti perinteisellä fysiikkapohjaisella simuloinnilla ja muulla validoinnilla.
Siemensin viesti poikkeaa siten hieman tekoälyalan yleisestä automaatiokeskustelusta. Physics AI:ta ei esitetä insinöörin tai perinteisen simuloinnin korvaajana, vaan erittäin nopeana työkaluna suunnitteluavaruuden tutkimiseen.
Jopa 1 000-kertainen nopeutus voi olla merkittävä etu, mutta Siemensin mukaan sen rinnalla on yhtä tärkeää tietää, missä vaiheessa tekoälyn ennusteeseen ei enää pidä luottaa yksin.