A Fujitsu Laboratories of Europe nemrégiben bemutatott, új MI-alapú technológiája és platformja lehetővé teszi a hagyományos fizikai szimulátorokat átalakítását gyors, nagy pontosságú MI-szimulátorokká.
A Fujitsu „AI Solver” megoldása áttörést képvisel az ipari alkalmazások terén, és forradalmasítja a számítógéppel támogatott mérnöki munka (CAE) és a terméktervezés, valamint az önálló munkavégzésre képes okoseszközök világát. A mérnöki munka esetében a szimuláció mérsékli a költséges prototípus- és termékhibák előfordulását, támogatja a tervezési döntéseket, valamint az ellenőrzés és a validálás folyamatát. Az AI Solver jelentősen felgyorsítja a szimulációt, ami ezzel arányos üzleti előnyökkel jár. A platform a Fujitsu Laboratories Ltd., a Fujitsu Advanced Technologies Ltd. és a Fujitsu Laboratories of Europe közös fejlesztési programjának gyümölcse.
A Fujitsu AI Solver jelentősen gyorsítja a folyamatonként akár több órás, bonyolult számításokat magukban foglaló fizikai szimulációk lebonyolítását. A Fujitsu órákról millimásodpercekre mérsékli a folyamat hosszát – teljesítményromlás nélkül (2%-osnál kisebb eltérés a fizikai szimulátorokhoz képest). A szimulációs eredményeket tartalmazó nagyméretű adatbázisok létrehozása és a mély neurális hálózatok betanítása bonyolult és időigényes feladat. A Fujitsu több elem kombinálásával éri el az AI Solverre jellemző teljesítményt. Az MI-alapú szimulátorok mély neurális hálózatainak adatjellemzőit felhasználva reprodukálja a fizikai szimulátorok viselkedését, és automatikusan, napok vagy órák helyett valós időben végzi el a célzott közelítő számításokat. Ennek során a rendszer a szimulációs eredmények nagy adatbázisaiból tanul, miközben az adatok generálása tovább folyik. Ezzel a módszerrel egyharmadára csökken az időigény.
A Fujitsu AI Solvere sokféle területen használható. A terméktervezési alkalmazásoknál lehetővé teszi, hogy a tervezők valós időben jussanak visszajelzéshez ahelyett, hogy órákat kellene várniuk az eredményekre. A környezetükhöz önállóan alkalmazkodó robotokat tartalmazó okoseszközöknél a valós idejű szimulációs eredmények mind a hatékonyságot, mind pedig az önállóságot jelentős mértékben növelik az egyszerű heurisztika alkalmazásához képest.
Dr. Adel Rouz, a Fujitsu Laboratories of Europe vezérigazgatója elmondta: „Míg a HPC és a számítási felhő megjelenése a hardver- és szoftverköltségek mérséklésével alakította át a szimulációs folyamatot, ennek nyomán még nem csökkent jelentősen a szimulációk végrehajtásához szükséges idő. A hagyományos fizikai szimulátorok MI-szimulátorokká alakítása fontos áttörés, amely órákról millimásodpercekre mérsékli az egyes szimulációk elvégzésének időigényét, és ezzel valós idejű eredményeket biztosít. Komoly kihívást jelentett számunkra ezeknek a funkcióknak a beépítése az eredeti szimulációs magba ahelyett, hogy csupán a geometria módosítását tennénk lehetővé a felhasználók számára. Az is lényeges volt, hogy ezt következetes, generikus módon valósítsuk meg, ne egyedi, eseti alapon. Technológiánk rövid távon a CAE hagyományos felhasználóit, azaz pl. a tervezőket veszi célba, ám a lehetséges alkalmazások köre jóval túlmutat a terméktervezésen. Alkalmazási terület lehet például az okoseszközök, köztük a robotok hatékonyságának növelése a heurisztika helyett valós idejű szimuláción alapuló vezérléssel.”
Akihiko Miyazawa, a FATEC vezérigazgatója tervezési szempontból nyilatkozott az új megoldásról: „Az elektronikai eszközök tervezése komplex feladat, amelyhez számos egymással versengő cél – például az alkatrészek elrendezése, szigorú hőmérsékleti, méret- és súlybeli korlátozások és sokféle működési feltétel – között kell megtalálni az egyensúlyt. Ezenkívül a tervezőknek több tervezési forgatókönyvet is meg kell vizsgálniuk, mégpedig szigorú ütemtervhez igazodva, ami különösen költségessé és időigényessé teszi a tervezési alternatívák fizikai prototípusok alapján történő értékelését. MI-szimulátorral a tervezők nagyon rövid idő alatt tesztelhetik a terveket a különféle forgatókönyvek teljesítményének megbecsléséhez. A Fujitsu áttörő technológiájával a folyamat rendkívüli mértékben optimalizálható.”
A Fujitsu AI Solver platformjának használatára példa az a projekt, amelynek keretében két nagyon eltérő fizikai szimulátort alakítottak át MI-szimulátorrá. Az egyik egy 3D hőátviteli szimulátor, amely a szilárd anyagok és folyadékok közötti hőtani kölcsönhatásokat modellezi. Ezt a rendszert gyakran használják elektronikai eszközök hűtésének megtervezésére és ellenőrzésére. A folyamat több fizikai szimulációból áll, amelyek során több anyagjellemzőt, áramforrást és sugárzási értéket is figyelembe kell venni.
A második példa egy számítógépes elektromágneses szimulátor, amely a külső mágneses mező hatásának kitett szilárd anyag magnetizálódását modellezi. Ezt a rendszert merevlemez-meghajtófejek és más memóriaeszközök tervezéséhez szokták használni. Amint az alábbi példák is mutatják, a referenciaként használt fizikai szimulátorok és az MI-szimulátorok eredményei közötti eltérés elhanyagolható, kevesebb mint 2%.
A Fujitsu Laboratories of Europe a Fujitsu fejlett gépi tanulási és mélytanulási kutatásainak kiválóságközpontja. Itt fejleszti a vállalat digitális megoldásait a „Zinrai” emberközpontú MI-szemlélet jegyében. A Fujitsu Laboratories of Europe kiterjedt együttműködést folytat a Fujitsu ügyfeleivel és különböző európai kutatási szervezetekkel, köztük a madridi San Carlos Klinikai Kórházzal (HIKARI intelligens egészségügyi MI-megoldás) és a Sevillai Egyetemmel (az adatanalitika turisztikai alkalmazásokban való használata).
A technológiáról
Az MI-szimulátorok létrehozására irányuló korábbi kísérleteknél egy konkrét alkalmazást választottak ki, egyetlen egyedi mély hálózati architektúra támogatásával, és egyetlen felhasználói funkcióval, nevezetesen a szimulált objektum alakjának módosítására való képességgel úgy, hogy közben az összes többi szimulációs feltétel állandó maradt. Az MI-szimulátorok alkalmazási lehetőségeinek bővítése érdekben a Fujitsu olyan új, mély hálózati architektúrát fejlesztett ki, amely a geometrián túl számos egyéb fizikai jellemzőt is képes kezelni, például anyagjellemzőket, sugárzást vagy külső mágneses mezőket. Ezt úgy éri el, hogy minden egyes fizikai tulajdonságot egy, a geometriához kapcsolt tulajdonságmezőre képez le, majd az összes mezőt külön bemeneti csatornaként bocsátja a hálózat rendelkezésére. A hálózatnak eközben módjában áll pontosan megismerni, hogyan járulnak hozzá az egyes tulajdonságok a végső kimenethez. Bár néha hiperparaméter-hangolásra van szükség, alapjában véve ugyanaz a hálózati architektúra használható sokféle MI-szimulátorhoz, és az architektúra nagyon sokféle fizikai jelenséggel kapcsolatban képes becsléseket végezni. Az egységes hálózati architektúra közös pipeline használatát is lehetővé teszi, egységesített bemeneti és kimeneti műveletekkel.
Tekintve, hogy a fizikai szimulációk végrehajtásának időtartama óráktól napokig tarthat, a több ezer adattételt tartalmazó adatbázisok generálása nagyon időigényes folyamat lehet. Az adatok generálása után a mély hálózat betanítása is sok időt vesz igénybe, különösen, ha a hálózatot többször is be kell tanítani a hiperparaméterek optimalizálásához. A teljes tanulási idő lerövidítése érdekében az Fujitsu AI Solver platform átfedésben, párhuzamosan végzi az adatgenerálást és a hiperparaméterek optimalizálását. A hangolási folyamat egyből elindul, amint egy kisebb adatmennyiség (10-20%) keletkezik, és az adatgenerálás előrehaladásával tovább folytatódik. Ennek eredményeképpen az adatgenerálás lezárása után szinte azonnal tökéletesen betanított hálózat áll rendelkezésre.
