Forradalmi AI megoldás gyorsítja a mérnöki optimalizációt
A mérnöki tervezés egyik legnagyobb kihívása a rengeteg változó kezelése és a drága tesztelések korlátozott száma. Legyen szó akár az elektromos hálózat finomhangolásáról, akár egy biztonságosabb autó megalkotásáról, a folyamat sokszor rendkívül idő- és költségigényes. Az MIT kutatói most egy új módszert dolgoztak ki, amely mesterséges intelligencia segítségével akár százszoros gyorsasággal találhatja meg a legjobb megoldásokat a komplex problémákra.
Új szemlélet a klasszikus optimalizációban
A mérnökök régóta használnak egy, a valószínűségeket és bizonytalanságokat figyelembe vevő iteratív módszert, a Bayes-optimalizációt, amely segít meghatározni a legjobb paramétereket egy bonyolult rendszerben. Ez a megközelítés egy helyettesítő modellt (szurrogátmodellt) használ, amely előre jelzi, hogy melyik beállítással érdemes próbálkozni. Azonban a modell újratanítása minden lépés után rendkívül időigényes lehet, főleg ha több száz változóval dolgozunk, ráadásul más problémák megoldásához újra kell kezdeni az egész folyamatot.
Erre a problémára kínál megoldást az MIT csapatának friss fejlesztése, amely egy úgynevezett táblázatos alapmodellt használ, ami gyakorlatilag egy „ChatGPT a táblázatok számára”. Ez a mesterséges intelligencia-modell hatalmas mennyiségű táblázatos adat feldolgozásával tanult meg előrejelzéseket készíteni, így képes általánosan alkalmazható, újratanítás nélküli megoldást nyújtani a Bayes-optimalizációban.
Okos fókusz a legfontosabb változókra
Az egyik kulcsfontosságú újítás, hogy a rendszer nem egyenrangúan vizsgálja az összes változót, hanem képes kiválasztani azokat, amelyek a legnagyobb hatással vannak az eredményre. Például egy autótervezési feladat során hiába lehet akár 300 paraméter, nem mindegyik befolyásolja jelentősen a biztonsági mutatókat. Az algoritmus felismeri, hogy például a lökhárító zónák mérete vagy a karosszéria bizonyos elemei kulcsszerepet játszanak, így kizárólag ezekre koncentrálva sokkal gyorsabban talál jobb megoldásokat.
Ez a megközelítés különösen értékes lehet olyan területeken, ahol hatalmas mennyiségű paraméter között kell eligazodni, mint például anyagfejlesztés vagy gyógyszerkutatás, ahol minden egyes tesztelés rendkívül költséges és időigényes.
Lenyűgöző eredmények és jövőbeli lehetőségek
A kutatók a módszert 60 valósághű mérnöki problémán tesztelték, köztük elektromos hálózati optimalizáción és autós biztonsági teszteken. Az új algoritmus nem csupán versenytársaihoz képest, de számos esetben tízszer vagy akár százszor gyorsabban találta meg a legjobb megoldásokat. Ez különösen akkor jött ki jól, amikor a dimenziók száma megnőtt, és a hagyományos módszerek már nehezen boldogultak.
Bár nem minden feladatban bizonyult verhetetlennek – például robotikai útvonaltervezésnél elmaradt a legjobbaktól –, ez arra utal, hogy a modell még tovább fejleszthető, különösen, ha a tanulóadatokat jobban a konkrét problémákhoz igazítják. A kutatók célja, hogy később még összetettebb feladatokban is alkalmazzák a módszert, például hadihajók tervezésénél, ahol akár több millió paraméter is szóba jöhet.
Az MIT munkájáról részletesebben is olvashat az eredeti cikkben, amely bemutatja, hogyan forradalmasíthatja az AI a mérnöki optimalizációt, és milyen lehetőségeket nyit meg a jövőben.
