Die Optimierung der künstlichen Intelligenz bietet eine Vielzahl von Vorteilen für Maschineningenieure, einschließlich schneller und genauerer Designs und Simulationen, verbesserte Effizienz, reduzierte Entwicklungskosten durch Prozessautomatisierung und verbesserte Vorhersagewartung und Qualitätskontrolle.
„Wenn Menschen über Maschinenbau nachdenken, denken sie an grundlegende mechanische Werkzeuge wie Hämmer und… {Hardware} wie Autos, Roboter, Krane, aber Maschinenbau ist sehr breit“, sagt Faez Ahmed, der Doherty Chair in Ocean Nutzung und Affiliate Professor für Maschinenbau am MIT. „Innerhalb des Maschinenbaues spielen maschinelles Lernen, KI und Optimierung eine große Rolle.“
In Ahmeds Kurs, 2.155/156 (KI und maschinelles Lernen für das Engineering -Design) verwenden die Schüler Instruments und Techniken aus künstlicher Intelligenz und maschinellem Lernen für das Design des Maschinenbautechnik, wobei sie sich auf die Schaffung neuer Produkte und die Bewältigung von Konstruktionsherausforderungen konzentrieren.
Katzenbäume zur Movement Seize: AI und ML für technisches Design
Video: MIT Abteilung für Maschinenbautechnik
„Es gibt einen großen Grund für Maschinenbauingenieure, über maschinelles Lernen und KI nachzudenken, um den Entwurfsprozess im Wesentlichen zu beschleunigen“, sagt Lyle Regenwetter, eine Lehrassistentin für den Kurs und ein Doktorand in Ahmeds Designberechnung und Digital Engineering Lab (Decode), bei dem sich die Forschung auf die Entwicklung neuer maschineller Lernen und Optimierungsmethoden zur Untersuchung komplexer Konstruktionsprobleme konzentrieren.
Die Klasse, die erstmals im Jahr 2021 angeboten wurde, ist schnell zu einem der beliebtesten Nicht-Kern-Angebote des Ministeriums für Maschinenbau (MECHE) geworden und zieht Studenten aus Abteilungen des Instituts an, darunter mechanische und zivile und ökologische Engineering, Luftfahrt- und Astronautik, die MIT Sloan College of Administration sowie die Nuklear- und Informatik sowie die Schüler der MIT Sloan-Colleges und andere Schulen.
Der Kurs, der sowohl für Studenten als auch für Doktoranden offen steht, konzentriert sich auf die Implementierung fortschrittlicher maschineller Lernen und Optimierungsstrategien im Kontext von mechanischen Designproblemen der realen Welt. Von der Gestaltung von Fahrradrahmen bis hin zu Stadtnetzen nehmen die Schüler an Wettbewerben im Zusammenhang mit KI für physische Systeme teil und stellen sich die Herausforderungen der Optimierung in einer Klassenumgebung an, die vom freundlichen Wettbewerb angeheizt wird.
Die Schüler erhalten Herausforderungsprobleme und Startercode, die „eine Lösung gegeben haben, aber (nicht) die beste Lösung…“ erklärt Ilan Moyer, ein Doktorand in Meche. „Unsere Aufgabe conflict es, (zu bestimmen), wie können wir es besser machen?“ Reside -Bestandteile ermutigen die Schüler, ihre Methoden kontinuierlich zu verfeinern.
Em Lauber, ein Absolvent für Systemdesign und Administration, sagt, der Prozess habe Platz für die Anwendung des Lernens und die Praxiskompetenz „buchstäblich, wie man es codiert“, Platz zur Verfügung gestellt.
Der Lehrplan umfasst Diskussionen zu Forschungsarbeiten, und die Schüler verfolgen auch praktische Übungen im maschinellen Lernen, die auf bestimmte technische Probleme zugeschnitten sind, einschließlich Robotik, Flugzeuge, Strukturen und Metamaterialien. Für ihr endgültiges Projekt arbeiten die Schüler in einem Teamprojekt zusammen, das KI -Techniken für das Design für ein komplexes Downside ihrer Wahl einsetzt.
„Es ist wunderbar, die vielfältige Breite und hohe Qualität von Klassenprojekten zu sehen“, sagt Ahmed. „Studentenprojekte aus diesem Kurs führen häufig zu Forschungsveröffentlichungen und haben sogar zu Auszeichnungen geführt.“ Er zitiert das Beispiel eines kürzlich durchgeführten Papiers mit dem Titel „Gencad-Selbst-Repairing“, Der die American Society of Maschinenbauingenieure Systemtechnik, Informations- und Wissensmanagement 2025 Finest Paper Award gewann.
„Das Beste an dem endgültigen Projekt conflict, dass es jedem Schüler die Möglichkeit gab, das, was er in der Klasse gelernt hat, auf einen Bereich anzuwenden, der ihn sehr interessiert“, sagt Malia Smith, eine Studentin in Meche. Ihr Projekt wählte „Marked Movement eroberte Daten“ und untersuchte die Vorhersage der Grundkraft für Läufer, eine Anstrengung, die sie als „wirklich erfreulich“ bezeichnete, weil es so viel besser funktionierte als erwartet.
Lauber nahm den Rahmen eines „Katzenbaum“ -Dessigns mit verschiedenen Polen-, Plattform- und Rampenmodulen, um maßgeschneiderte Lösungen für einzelne Katzenhaushalte zu erstellen, während Moyer Software program erstellte, die eine neue Artwork von 3D -Druckerarchitektur entworfen hat.
„Wenn Sie maschinelles Lernen in der Populärkultur sehen, ist es sehr abstrahiert und Sie haben das Gefühl, dass etwas sehr Kompliziertes vor sich geht“, sagt Moyer. „Diese Klasse hat die Vorhänge geöffnet.“