Такой подход может помочь инженерам решать чрезвычайно сложные проектные задачи, от оптимизации энергосетей до проектирования транспортных средств. 
«У автомобиля может быть 300 критериев проектирования, но не все из них являются определяющими факторами для создания оптимального дизайна, если вы стремитесь повысить определенные параметры безопасности. Наш алгоритм может интеллектуально выбирать наиболее важные характеристики, на которых следует сосредоточиться», — говорит Розен Ю. Изображение: MIT News; iStock
Многие инженерные задачи сводятся к одной и той же проблеме — слишком много параметров, которые нужно регулировать, и слишком мало возможностей для их проверки. Будь то настройка энергосистемы или разработка более безопасного транспортного средства, каждая оценка может быть дорогостоящей, и могут существовать сотни переменных, которые имеют значение.
Рассмотрим проектирование системы безопасности автомобиля. Инженерам приходится интегрировать тысячи деталей, и многие конструктивные решения могут повлиять на поведение автомобиля при столкновении. Классические инструменты оптимизации могут оказаться неэффективными при поиске оптимальной комбинации.
Исследователи из Массачусетского технологического института разработали новый подход, который переосмысливает использование классического метода, известного как байесовская оптимизация, для решения задач с сотнями переменных. В тестах на реалистичных инженерных задачах, таких как оптимизация энергосистем, этот подход позволил найти лучшие решения в 10–100 раз быстрее, чем широко используемые методы.
Их методика основана на базовой модели, обученной на табличных данных, которая автоматически определяет наиболее важные переменные для повышения производительности, повторяя процесс для получения все более эффективных решений. Базовые модели — это огромные системы искусственного интеллекта, обученные на обширных, универсальных наборах данных. Это позволяет им адаптироваться к различным приложениям.
Разработанная исследователями табличная модель не требует постоянного переобучения в процессе поиска решения, что повышает эффективность процесса оптимизации. Этот метод также обеспечивает значительное ускорение для более сложных задач, поэтому он может быть особенно полезен в таких ресурсоемких приложениях, как разработка материалов или поиск лекарств.
«Современные модели искусственного интеллекта и машинного обучения могут коренным образом изменить подход инженеров и ученых к созданию сложных систем. Мы разработали алгоритм, который не только способен решать многомерные задачи, но и является многоразовым, поэтому его можно применять ко многим задачам без необходимости начинать все с нуля», — говорит Розен Ю, аспирант в области вычислительной науки и инженерии и ведущий автор статьи об этой методике.
В работе над статьей к Ю присоединились Сирил Пикар, бывший научный сотрудник и постдокторант Массачусетского технологического института, и Фаэз Ахмед, доцент кафедры машиностроения и ключевой член Центра вычислительной науки и инженерии Массачусетского технологического института. Результаты исследования будут представлены на Международной конференции по обучению представлениям.
Усовершенствование проверенного метода
Когда ученые пытаются решить многогранную проблему, но имеют дорогостоящие методы оценки успеха, например, краш-тесты автомобилей для определения качества каждой конструкции, они часто используют проверенный метод, называемый байесовской оптимизацией. Этот итеративный метод находит наилучшую конфигурацию для сложной системы путем построения аппроксимирующей модели, которая помогает оценить, что следует исследовать дальше, учитывая при этом неопределенность прогнозов.
Однако суррогатную модель необходимо переобучать после каждой итерации, что может быстро стать вычислительно невыполнимой задачей, когда пространство потенциальных решений очень велико. Кроме того, ученым приходится создавать новую модель с нуля всякий раз, когда они хотят решить задачу в другом сценарии.
Для устранения обоих недостатков исследователи из Массачусетского технологического института использовали генеративную систему искусственного интеллекта, известную как табличная базовая модель, в качестве суррогатной модели в алгоритме байесовской оптимизации.
«Табличная базовая модель — это как ChatGPT для электронных таблиц. Входными и выходными данными этих моделей являются табличные данные, которые в инженерной сфере встречаются и используются гораздо чаще, чем язык программирования», — говорит Ю.
Подобно крупным языковым моделям, таким как ChatGPT, Claude и Gemini, эта модель была предварительно обучена на огромном количестве табличных данных. Это делает её хорошо подготовленной для решения широкого спектра задач прогнозирования. Кроме того, модель может быть развернута в неизмененном виде, без необходимости переобучения.
Чтобы сделать свою систему более точной и эффективной для оптимизации, исследователи использовали прием, позволяющий модели определять особенности проектного пространства, которые окажут наибольшее влияние на решение.
«У автомобиля может быть 300 критериев проектирования, но не все из них являются определяющими факторами для создания оптимального дизайна, если вы стремитесь повысить определенные параметры безопасности. Наш алгоритм может интеллектуально выбрать наиболее важные характеристики, на которых следует сосредоточиться», — говорит Ю.
Это достигается за счет использования табличной базовой модели для оценки того, какие переменные (или комбинации переменных) оказывают наибольшее влияние на результат.
Затем поиск фокусируется на наиболее значимых переменных, вместо того чтобы тратить время на равномерный анализ всего подряд. Например, если размер передней зоны деформации значительно увеличился, а рейтинг безопасности автомобиля улучшился, то эта особенность, вероятно, сыграла роль в улучшении.
Более масштабные проблемы, лучшие решения
По словам Ю, одной из самых больших трудностей для них стало поиск наилучшей табличной модели основания для этой задачи. Затем им пришлось связать ее с алгоритмом байесовской оптимизации таким образом, чтобы он мог определить наиболее важные конструктивные особенности.
«Нахождение наиболее выраженного измерения — хорошо известная проблема в математике и информатике, но разработка способа, использующего свойства табличной базовой модели, оказалась настоящей проблемой», — говорит Ю.
Разработав алгоритмическую основу, исследователи протестировали свой метод, сравнив его с пятью передовыми алгоритмами оптимизации.
На 60 тестовых задачах, включая реалистичные ситуации, такие как проектирование электросетей и краш-тесты автомобилей, их метод неизменно находил наилучшее решение в 10–100 раз быстрее, чем другие алгоритмы.
«Когда задача оптимизации становится все более многомерной, наш алгоритм действительно проявляет себя во всей красе», — добавил Ю.
Однако их метод не превзошел базовые модели по всем параметрам, таким как планирование траектории движения робота. По словам Ю, это, вероятно, указывает на то, что сценарий был недостаточно четко определен в обучающих данных модели.
В будущем исследователи планируют изучить методы, которые могли бы повысить эффективность табличных моделей основания. Они также хотят применить свою методику к задачам с тысячами или даже миллионами измерений, например, к проектированию военно-морского корабля.
«На более высоком уровне эта работа указывает на более масштабный сдвиг: использование базовых моделей не только для восприятия или языка, но и в качестве алгоритмических механизмов внутри научных и инженерных инструментов, что позволяет классическим методам, таким как байесовская оптимизация, масштабироваться до режимов, которые ранее были непрактичными», — говорит Ахмед.
«Предложенный в этой работе подход, использующий предварительно обученную модель фундамента в сочетании с многомерной байесовской оптимизацией, представляет собой креативный и многообещающий способ уменьшить объем данных, необходимых для проектирования на основе моделирования. В целом, эта работа является практическим и важным шагом на пути к тому, чтобы сделать передовые методы оптимизации проектирования более доступными и простыми в применении в реальных условиях», — говорит Вэй Чен, профессор кафедры инженерного проектирования имени Уилсона-Кука и заведующий кафедрой машиностроения Северо-Западного университета, который не принимал участия в этом исследовании.
Источник: news.mit.edu
