Пределы возможностей искусственного интеллекта в физике: где, по словам Siemens, человек по-прежнему контролирует ситуацию.

Искусственный интеллект

Пределы возможностей искусственного интеллекта в физике: где, по словам Siemens, человек по-прежнему контролирует ситуацию.

Теперь искусственный интеллект в физике может исследовать тысячи вариантов конструкции за то время, которое потребовалось бы традиционному моделированию для обработки лишь нескольких из них. По данным Siemens, это в 1000 раз быстрее. Однако он не может утвердить критически важную с точки зрения безопасности деталь. В этом отношении у технологии есть четкий предел, и Сэм Махалингам, руководитель направления ее разработки в Siemens Digital Industries Software, заявляет об этом без обиняков.

«Подходит ли это для критически важных с точки зрения безопасности приложений?» — сказал он в кулуарах конференции Realize LIVE Asia-Pacific в Бангалоре. «Нет, не подходит».

Это важно, потому что этот ответ противоречит двухлетней политике отрасли, которая настаивала на том, что ее ИИ может делать почти все. Ценность для инженеров заключается не в скорости, которую рекламирует Siemens, а в точном понимании того, где эта скорость перестает быть безопасной для использования.

Что на самом деле делает искусственный интеллект в физике, и чего он не делает.

Речь идёт о технологии Simcenter PhysicsAI, программном обеспечении Siemens для геометрического глубокого обучения, которое, по утверждению компании, может делать прогнозы проектирования до 1000 раз быстрее, чем традиционный решатель. Механизм важен для понимания оговорки. Вместо того чтобы каждый раз вычислять физические параметры с нуля, суррогатная модель обучается на основе исторических данных моделирования и прогнозирует результат для нового проекта. Это оценка, получаемая за секунды, а не полный расчёт.

Очевидная проблема — это точность, и Махалингам ответил на неё напрямую. По его словам, на протяжении десятилетий инженеры сравнивали результаты моделирования на основе физических принципов с результатами физических испытаний, пока корреляция не становилась достаточно высокой, чтобы доверять таким результатам. Теперь же ИИ оценивается по той же самой физической модели. «Мы видим, что при наличии достаточного количества данных результаты очень близки к результатам, полученным с помощью решателя, основанного на физических принципах», — сказал он, имея в виду разницу в 1–3%, которую Siemens приводит в своих собственных исследованиях.

Близко, но недостаточно близко, чтобы сертифицировать компонент, от которого зависит жизнь. И именно здесь Махалингам отходит от стандартного сценария поставщика. Замещающая модель не заменяет валидацию; это фильтр, который ставится перед ней. «Вы изучаете гораздо больше вариантов конструкции, используя этот более быстрый механизм, модель замещающей модели на основе физического ИИ, сосредотачиваетесь на двух или трех вариантах, которые, по вашему мнению, хороши, и можете далее детально проработать их с помощью моделирования на основе физических принципов», — сказал он. Только после того, как эти финалисты пройдут полную проверку на основе физических принципов, конструкция переходит к производству.

Он ясно дал понять, что даже самый известный пример, корпус подушки безопасности Continental, продемонстрированный Siemens, находится в этих рамках. «Это для первоначального исследования конструкции», — сказал он. «Это не значит, что вы просто проверяете конструкцию с помощью физического ИИ и говорите: хорошо, я буду рекомендовать эту конструкцию для производства. Нет, это не так».

Зависимость, о которой не упоминается в цифрах скорости.

Существует второй предел, который, как правило, скрывают данные об ускорении, и он всплыл, когда разговор зашел о том, как обучаются эти модели. Несколько ключевых результатов Siemens, включая случаи с Magna и Continental, основаны на ИИ, обученном на синтетических данных: результатах моделирования, сгенерированных собственными решателями Siemens, а не на реальных измерениях. Если ИИ учится только на основе моделирования, возникает вопрос, сможет ли он когда-либо стать лучше, чем моделирование, которое его обучило.

Махалингам не стал уклоняться от ответа на вопрос о замкнутом круге. В случае с Magna, по его словам, заказчик провел широкое исследование вариантов конструкции в Simcenter HEEDS, инструменте поиска вариантов от Siemens, и быстро решил эти варианты с помощью Simsolid, решателя, который пропускает медленный этап построения сетки. Затем результаты моделирования были использованы для обучения модели физического ИИ. В случаях, когда у заказчика изначально нет данных, «сначала он генерирует синтетические данные с помощью Simsolid и HEEDS, а затем возвращается к этим данным и обучает модель физического ИИ». Другими словами, качество модели зависит от качества исходного моделирования, и это ограничение он признал, а не отверг.

По его словам, ловушку предотвращает защитный механизм, предотвращающий предсказания моделью на местности, с которой она никогда не сталкивалась. Модель-заменитель, обученная на вариациях одной формы, потерпит неудачу, если её попросят предсказать совершенно другую форму, и она специально разработана таким образом, чтобы об этом сообщать. «Мы установили защитные механизмы, благодаря которым модель возвращается и говорит: „Эй, я не могу это предсказать. Это совершенно другая форма по сравнению с той, на которой вы её обучали“, — сказал Махалингам. — „Таким образом, инженер не сможет навредить себе сам“».

Почему именно честность является сутью этой истории?

Откровенность – это не самоуничижение, а позиционирование. Каждый поставщик решений для моделирования сейчас стремится включить ИИ в свой портфель, и риск для доверия заключается в том, что покупатели перестанут верить каким-либо цифрам. Обозначая границы технологии – безопасную для исследования, но не для окончательного утверждения; мощную для работы с данными, но бесполезную за пределами области обучения – Siemens делает ставку на то, что инженеры будут больше доверять инструменту, когда он покажет им, чего он не может сделать.

Со стороны специалистов по моделированию ситуация выглядит иначе. Производители микросхем и корпоративных решений в области ИИ на протяжении всего периода ажиотажа обещали автономность; компания же, чьи клиенты моделируют конструкции, подверженные ударам, и реактивные двигатели, вместо этого настаивает на том, чтобы этап проверки человеком оставался на прежнем месте. Это не защита от ИИ. Это более трезвый взгляд на его место: в качестве быстрого первого этапа, расширяющего область поиска, при этом решатель, использующий физические модели, по-прежнему контролирует все, что должно быть верным.

Это более узкое утверждение, чем то, к чему рынок привык, и более устойчивое. Siemens продает 1000x, но более ценное, что она предлагает инженерам, — это границы возможностей этой технологии.

См. также: Siemens представляет систему искусственного интеллекта для автоматизации машиностроения.

Хотите узнать больше об искусственном интеллекте и больших данных от лидеров отрасли? Посетите выставку AI & Big Data Expo, которая пройдет в Амстердаме, Калифорнии и Лондоне. Это масштабное мероприятие является частью TechEx и проводится одновременно с другими ведущими технологическими выставками, включая Cyber Security & Cloud Expo. Для получения дополнительной информации нажмите здесь.

AI News — это проект TechForge Media. Здесь вы можете ознакомиться с другими предстоящими мероприятиями и вебинарами, посвященными корпоративным технологиям.

Источник: www.artificialintelligence-news.com