Mengoptimalkan proses pemodelan yang kompleks melalui teknologi pembelajaran mesin
Machine

Mengoptimalkan proses pemodelan yang kompleks melalui teknologi pembelajaran mesin


Dr. Zohaib Hasnain menerapkan kecerdasan buatan yang berfungsi tinggi pada proses berbasis fisika dalam upaya untuk “mengotomatiskan” pemodelan. Kredit: Teknik A&M Texas

Merekayasa pesawat luar angkasa itu sesulit kedengarannya. Pemodelan memainkan peran besar dalam waktu dan upaya yang diperlukan untuk membuat pesawat ruang angkasa dan sistem teknik kompleks lainnya. Ini membutuhkan kalkulasi fisika yang ekstensif, memilah-milah banyak model dan pengetahuan suku yang berbeda untuk menentukan bagian tunggal dari desain sistem.

Penelitian Dr. Zohaib Hasnain menunjukkan bahwa teknik berbasis data yang digunakan dalam sistem otonom memiliki potensi untuk memecahkan masalah pemodelan kompleks ini dengan lebih akurat dan efisien. Menerapkan kecerdasan buatan yang berfungsi tinggi ke proses berbasis fisika, ia bertujuan untuk “mengotomatiskan” pemodelan, mengurangi waktu yang diperlukan untuk menghasilkan solusi dan memotong biaya produksi.

“Jika saya mencoba melakukan sesuatu di sepanjang garis, katakanlah, mendesain pensil, ada proses yang terlibat dalam mendesain pensil itu,” kata Hasnain. “Saya memiliki serangkaian langkah tertentu yang akan saya lakukan dengan pengetahuan yang saya miliki berdasarkan apa yang telah dilakukan orang lain di masa lalu. Apa pun yang dapat dijelaskan melalui proses atau algoritme di atas kertas dapat diotomatiskan dan dianalisis dalam konteks sistem otonom. “

Seorang asisten profesor di J. Mike Walker ’66 Departemen Teknik Mesin, Hasnain menyadari saat bekerja di industri kedirgantaraan, keterlambatan proyek karena upaya pemodelan. Saat melakukan proses pemodelan tradisional, ilmuwan dan peneliti harus membuat berbagai model, banyak di antaranya memerlukan pengujian. Selain itu, mengajukan melalui model individu membutuhkan waktu terlalu lama untuk menghasilkan jawaban. Contoh pemodelan tradisional untuk sistem ruang angkasa adalah dinamika fluida komputer, atau CFD, yang menggunakan analisis numerik untuk menentukan solusi, menghasilkan biaya komputasi yang besar, dan tenaga manusia untuk verifikasi.

“Saya selalu mengira ada pekerjaan yang harus dihentikan karena ada sistem dan mesin otonom yang sepertinya mampu menangani kemacetan yaitu pemodelan,” kata Hasnain. “Penelitian saya adalah langkah pertama dalam memahami bagaimana dan kapan teknik berbasis data bermanfaat, dengan tujuan akhir mengambil proses yang memakan waktu berbulan-bulan atau berminggu-minggu untuk menyelesaikannya, dan menghasilkan solusi dalam hitungan jam atau hari.”

Hasnain, didampingi oleh asisten profesor Dr. Vinayak R. Krishnamurthy dan asisten peneliti pascasarjana Kaustubh Tangsali, melakukan studi untuk memahami bagaimana arsitektur pembelajaran mesin yang umum digunakan seperti jaringan saraf konvolusional (CNN) dan jaringan saraf informasi fisika (PINN) saat diterapkan untuk masalah prediksi fluidik. Pendekatan berbasis data menggunakan database pemodelan yang sudah ada sebelumnya untuk melatih model melalui variasi yang dikontrol dengan cermat dalam fisika dasar fluida, serta geometri tempat fluida mengalir. Model tersebut kemudian digunakan untuk membuat prediksi. Penelitian mereka menemukan bahwa baik CNN maupun PINN memiliki potensi untuk mengoptimalkan proses pemodelan jika menargetkan aspek proses solusi yang sangat spesifik. Mereka sekarang sedang mengerjakan pendekatan pembelajaran hybrid untuk mencapai tujuan akhir mereka dalam mempercepat proses desain.

“Kami sedang melihat seperangkat alat berbeda yang akan menggantikan alat lama,” kata Hasnain. “Kami mencoba memahami bagaimana alat baru ini berperilaku dalam konteks aplikasi yang secara tradisional diatur oleh teknik solusi berbasis prinsip pertama.”

Para peneliti mempublikasikan temuan mereka di Jurnal Desain Mekanik. Artikel mereka, “Generalizability of Convolutional Encoder-Decoder Networks for Aerodynamic Flow-field Prediction Across Geometric and Physical-Fluidic Variations,” berfokus pada pemahaman alat dimensi yang memiliki potensi untuk menggantikan alat pemodelan yang merupakan standar industri saat ini.

Dari hasil penelitian tersebut, Hasnain berharap dapat membangun infrastruktur otonom yang bersumber dari kumpulan data untuk menghasilkan solusi pemodelan melalui arsitektur hybrid machine learning. Melalui algoritma dan data yang sudah ada sebelumnya, infrastruktur akan menjadi proses pemodelan yang dapat diterapkan pada berbagai sistem dalam aplikasi kehidupan nyata. Akhirnya, dia berencana untuk membagikan infrastruktur ini untuk penggunaan yang luas dan gratis.

“Saya ingin infrastruktur ini menjadi inisiatif komunitas yang ditawarkan gratis kepada semua orang,” kata Hasnain. “Mungkin yang lebih penting, karena dapat menghasilkan solusi yang hampir sesuai permintaan sebagai lawan dari pemodelan mutakhir, yang sangat memakan waktu.”

Infrastruktur sedang dalam tahap awal pengembangan. Hasnain dan rekan penelitinya sedang bekerja untuk menghasilkan prototipe dalam waktu dekat.


Metode baru untuk kontrol otomatis memanfaatkan kemajuan dalam AI


Informasi lebih lanjut:
Kaustubh Tangsali et al, Generalizability of Convolutional Encoder-Decoder Networks for Aerodynamic Flow-Field Prediction Across Geometric and Physical-Fluidic Variations, Jurnal Desain Mekanik (2020). DOI: 10.1115 / 1.4048221

Disediakan oleh Texas A&M University

Kutipan: Mengoptimalkan proses pemodelan kompleks melalui teknologi pembelajaran mesin (2020, 23 November), diakses 27 November 2020 dari https://techxplore.com/news/2020-11-optimizing-complex-machine-technologies.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Result SGP