Peneliti mengembangkan pengoptimal pembelajaran mesin untuk memangkas biaya desain produk
Ai

Peneliti mengembangkan pengoptimal pembelajaran mesin untuk memangkas biaya desain produk


Kredit: Shutterstock / Roman Zaiets

Simulasi komputer adalah bagian penting dari proses pengoptimalan desain produk, yang memungkinkan para insinyur untuk menguji berbagai konfigurasi dan memilih desain terbaik di antara banyak alternatif yang berbeda. Tetapi bahkan di fasilitas seperti Laboratorium Nasional Argonne Departemen Energi AS (DOE), dengan sumber daya yang canggih, simulasi dapat menjadi sangat mahal dan membutuhkan waktu lama untuk dijalankan.

Dengan tujuan mempercepat proses desain ini, tim peneliti di divisi Sistem Energi Argonne (ES), terdiri dari Opeoluwa Owoyele yang diangkat pascadoktoral dan ilmuwan riset Pinaki Pal, baru-baru ini mengembangkan alat pengoptimalan desain baru yang disebut ActivO. Alat baru ini secara drastis dapat mengurangi waktu yang dibutuhkan untuk menemukan desain terbaik.

Ini menggunakan teknik pembelajaran mesin baru yang membantu pengguna fokus pada cara menargetkan sumber daya komputasi secara paling efisien. (Pembelajaran mesin adalah aplikasi kecerdasan buatan yang memungkinkan sistem belajar dan meningkatkan secara otomatis dari pengalaman.)

“ActivO menjalankan simulasi dengan cara yang sangat cerdas dan dengan cepat mengidentifikasi bagian dari ruang desain yang harus kami fokuskan,” jelas Pal. “Proses yang biasanya memakan waktu dua hingga tiga bulan untuk menghasilkan desain optimal sekarang dapat diselesaikan dalam waktu sekitar satu minggu.”

Pendekatan ActivO berhasil didemonstrasikan untuk digunakan dalam mengoptimalkan mesin pembakaran — area aktif yang diminati oleh Owoyele dan Pal — dalam artikel yang diterbitkan oleh American Society of Mechanical Engineers (ASME), sebagai bagian dari Konferensi Teknis Divisi Mesin Pembakaran Internasional Musim Gugur 2019. Artikel juga akan segera muncul di Jurnal ASME Teknologi Sumber Daya Energi.

Menurut Owoyele, yang merupakan penulis utama makalah dengan Pal, ActivO adalah algoritme hibrid yang memanfaatkan kekuatan dua model pengganti pembelajaran mesin yang berbeda untuk mendapatkan kinerja yang unggul.

Peneliti mengembangkan pengoptimal pembelajaran mesin untuk memangkas biaya desain produk

Animasi ini menunjukkan pendekatan ActivO untuk soal tes 2D. Ini menunjukkan representasi pelajar yang kuat (kiri), representasi pelajar yang lemah (tengah), dan peningkatan tujuan desain (kanan). Kredit: Laboratorium Nasional Argonne

“Model pembelajaran mesin dirancang untuk bekerja secara kooperatif. Daripada menjalankan simulasi yang diambil sampelnya secara acak, salah satu model memungkinkan kami menjelajahi ruang desain secara adaptif, yang pada dasarnya memandu kami ke wilayah yang paling mungkin berisi optimal global. Dan model lain mencari di wilayah yang menjanjikan tersebut dan melakukan penelusuran lokal untuk mengidentifikasi lokasi yang tepat dari optimal global. “

Pendekatan ini memanfaatkan pengganti pembelajaran mesin untuk “menjelajahi” dan “mengeksploitasi” ruang desain dengan cara yang lebih seimbang dan efisien daripada teknik evolusi tradisional yang digunakan dalam industri, seperti algoritme genetika. Akibatnya, Owoyele mengatakan ActivO menyatu dengan optimal global hampir satu urutan lebih cepat.

Pal menambahkan bahwa ActivO berjalan dalam sejumlah kecil simulasi, membuatnya sangat berharga bagi pengguna industri, karena mereka seringkali tidak memiliki kekuatan komputasi untuk menjalankan serangkaian besar simulasi.

Sementara Owoyele dan Pal memiliki aplikasi paten yang menunggu keputusan untuk teknologi perangkat lunak ini, mereka mengatakan bahwa ActivO pada dasarnya siap untuk digunakan. Pekerjaan mereka sejauh ini berfokus terutama pada mesin otomotif, tetapi mereka juga melihat aplikasi lain yang berpotensi berguna.

“ActivO sangat cocok untuk mengeksplorasi ruang desain yang merupakan ciri khas mesin pembakaran di industri otomotif dan dirgantara,” kata Owoyele. “Tetapi ini juga dapat digunakan untuk pengoptimalan desain untuk produk umum. Ini dapat dengan mudah diadopsi oleh industri untuk meningkatkan alur kerja desain mereka, yang akan memangkas biaya desain produk. Ada peluang komersialisasi yang signifikan dalam hal ini.”

Dalam membantu menurunkan biaya desain untuk industri, Pal mengatakan ada manfaat jangka panjang yang lebih penting. “Gambaran besarnya adalah untuk memungkinkan efisiensi energi dan menurunkan dampak lingkungan dari mesin ini. Jadi pada akhirnya, itulah mengapa kami ingin merancang mesin yang lebih baik dan lebih inovatif.”

Kedua peneliti menunjuk ke fasilitas komputasi berkinerja tinggi yang sangat besar di Argonne yang memverifikasi dan memvalidasi algoritme yang ada di jantung pengoptimal ActivO. “Sumber daya komputasi yang kami miliki di Argonne memungkinkan kami melakukan itu dengan cukup ketat,” kata Pal.


Metode baru membawa fisika ke pembelajaran mendalam untuk mensimulasikan turbulensi dengan lebih baik


Informasi lebih lanjut:
Opeoluwa Owoyele dkk. Pendekatan Optimasi Aktif Baru untuk Eksplorasi Ruang Desain yang Cepat dan Efisien Menggunakan Pembelajaran Mesin Ensemble, Konferensi Teknis Musim Gugur Divisi Mesin Pembakaran Internal ASME 2019 (2019). DOI: 10.1115 / ICEF2019-7237

Disediakan oleh Laboratorium Nasional Argonne

Kutipan: Peneliti mengembangkan pengoptimal pembelajaran mesin untuk memangkas biaya desain produk (2020, 16 November), diakses 27 November 2020 dari https://techxplore.com/news/2020-11-machine-learning-optimizer-slash-product.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 : Toto SGP