Der Prozess des computergestützten Entwurfs im Maschinenbau beginnt oft mit einem Downside oder einem Ziel, gefolgt von einer Bewertung der Literatur, Ressourcen und Systeme, die zur Lösung des Issues verfügbar sind. Das Design Computation and Digital Engineering (DeCoDE) Lab am MIT erforscht stattdessen die Grenzen des Möglichen.
In Zusammenarbeit mit dem MIT-IBM Watson AI Lab kombinieren der Leiter der Gruppe, ABS Profession Improvement Assistant Professor Faez Ahmed, und der Doktorand Amin Heyrani Nobari von der Fakultät für Maschinenbau maschinelles Lernen und generative KI-Techniken, physikalische Modellierung und technische Prinzipien Bewältigen Sie Designherausforderungen und verbessern Sie die Entwicklung mechanischer Systeme. Eines ihrer Projekte, Verknüpfungenuntersucht Möglichkeiten, wie ebene Stäbe und Gelenke verbunden werden können, um gekrümmte Pfade zu verfolgen. Hier beschreiben Ahmed und Nobari ihre jüngsten Arbeiten.
Q: Wie erwägt Ihr Crew die Herangehensweise an Fragen des Maschinenbaus vom Standpunkt der Beobachtungen aus?
Ahmed: Die Frage, über die wir nachgedacht haben, ist: Wie kann generative KI in technischen Anwendungen eingesetzt werden? Eine zentrale Herausforderung besteht darin, Präzision in generative KI-Modelle zu integrieren. In der spezifischen Arbeit, die wir dort untersucht haben, verwenden wir nun die Idee selbstüberwachter kontrastiver Lernansätze, bei denen wir effektiv diese Verknüpfungs- und Kurvendarstellungen von Design lernen oder wie das Design aussieht und wie es funktioniert .
Dies hängt sehr eng mit der Idee der automatisierten Entdeckung zusammen: Können wir mit KI-Algorithmen tatsächlich neue Produkte entdecken? Noch ein Kommentar zum Gesamtbild: Eine der Schlüsselideen, insbesondere bei Verknüpfungen, aber im Großen und Ganzen rund um generative KI und große Sprachmodelle – all dies ist die gleiche Modellfamilie, die wir betrachten, und Präzision spielt dabei wirklich eine große Rolle alle von ihnen. Die Erkenntnisse, die wir aus dieser Artwork von Modellen ziehen – in irgendeiner Kind datengesteuerten Lernens, das durch technische Simulatoren und die gemeinsame Einbettung von Design und Leistung unterstützt wird – können möglicherweise auch auf andere technische Bereiche übertragen werden. Was wir zeigen, ist ein Proof of Idea. Dann können die Leute damit Schiffe und Flugzeuge entwerfen, präzise Bilderzeugungsprobleme lösen und so weiter.
Bei Verknüpfungen sieht Ihr Design aus wie eine Reihe von Stangen und wie diese miteinander verbunden sind. Wie es funktioniert, ist im Grunde der Weg, den sie während ihrer Bewegung transkribieren würden, und wir lernen diese gemeinsamen Darstellungen. Es gibt additionally Ihren primären Enter – jemand wird kommen und einen Weg zeichnen – und Sie versuchen, einen Mechanismus zu generieren, der diesen verfolgen kann. Dadurch können wir das Downside viel präziser und deutlich schneller lösen, mit 28-mal weniger Fehlern (genauer) und 20-mal schneller als bisherige Ansätze auf dem neuesten Stand der Technik.
Q: Erzählen Sie mir etwas über die Verknüpfungsmethode und wie sie im Vergleich zu anderen ähnlichen Methoden abschneidet.
Nobari: Das kontrastive Lernen findet zwischen den Mechanismen statt, die als Diagramme dargestellt werden. Grundsätzlich ist additionally jedes Gelenk ein Knoten in einem Diagramm, und der Knoten enthält einige Merkmale. Die Merkmale sind die Lage, der Abstand und die Artwork der Gelenke, es kann sich um feste Gelenke oder freie Gelenke handeln.
Wir haben eine Architektur, die einige der grundlegenden Dinge berücksichtigt, wenn es um die Beschreibung der Kinematik eines Mechanismus geht, aber im Wesentlichen handelt es sich um ein graphisches neuronales Netzwerk, das Einbettungen für diese Mechanismusgraphen berechnet. Dann haben wir ein anderes Modell, das diese Kurven als Eingaben verwendet und eine Einbettung dafür erstellt, und wir verbinden diese beiden unterschiedlichen Modalitäten durch kontrastives Lernen.
Dann wird dieser kontrastive Lernrahmen, den wir trainieren, verwendet, um neue Mechanismen zu finden, aber natürlich legen wir auch Wert auf Präzision. Zusätzlich zu allen identifizierten Kandidatenmechanismen haben wir auch einen zusätzlichen Optimierungsschritt, in dem diese identifizierten Mechanismen weiter optimiert werden, um diesen Zielkurven so nahe wie möglich zu kommen.
Wenn Sie den kombinatorischen Teil richtig verstanden haben und ziemlich nah an der Stelle sind, an der Sie sein müssen, um zu Ihrer Zielkurve zu gelangen, können Sie die direkte, auf dem Gradienten basierende Optimierung durchführen und die Place der Gelenke anpassen, um sie zu erhalten superpräzise Leistung drauf. Das ist ein sehr wichtiger Aspekt bei der Arbeit.
Dies sind Beispiele für die Buchstaben des Alphabets, die jedoch mit den vorhandenen Methoden auf herkömmliche Weise nur sehr schwer zu erreichen sind. Andere auf maschinellem Lernen basierende Methoden sind dazu oft nicht einmal in der Lage, da sie nur auf vier oder sechs Balken trainiert werden, was sehr kleine Mechanismen sind. Wir konnten jedoch zeigen, dass man selbst mit einer relativ geringen Anzahl von Gelenken diesen Kurven sehr nahe kommen kann.
Zuvor wussten wir nicht, wo die Grenzen der Designmöglichkeiten mit einem einzigen Verbindungsmechanismus liegen. Das ist eine sehr schwer zu beantwortende Frage. Kann man wirklich den Buchstaben M schreiben, oder? Das hat noch nie jemand gemacht, und der Mechanismus ist so komplex und so selten, dass er nach der Nadel im Heuhaufen sucht. Aber mit dieser Methode zeigen wir, dass es möglich ist.
Wir haben uns mit der Verwendung handelsüblicher generativer Modelle für Diagramme befasst. Im Allgemeinen sind generative Modelle für Graphen sehr schwer zu trainieren und normalerweise nicht sehr effektiv, insbesondere wenn es darum geht, kontinuierliche Variablen zu mischen, die eine sehr hohe Empfindlichkeit gegenüber der tatsächlichen Kinematik eines Mechanismus haben. Gleichzeitig gibt es all diese unterschiedlichen Möglichkeiten, Gelenke und Gestänge zu kombinieren. Diese Modelle können einfach nicht effektiv generieren.
Die Komplexität des Issues wird meiner Meinung nach deutlicher, wenn man sich anschaut, wie Menschen es mit Optimierung angehen. Mit der Optimierung wird dies zu einem gemischt-ganzzahligen, nichtlinearen Downside. Mithilfe einiger einfacher Optimierungen auf zwei Ebenen oder sogar einer Vereinfachung des Issues erstellen sie im Grunde Näherungen aller Funktionen, sodass sie das Downside mithilfe der gemischt-ganzzahligen konischen Programmierung angehen können. Der kombinatorische Raum in Kombination mit dem kontinuierlichen Raum ist so groß, dass grundsätzlich bis zu sieben Gelenke Platz finden. Darüber hinaus wird es extrem schwierig und es dauert zwei Tage, einen Mechanismus für ein bestimmtes Ziel zu erstellen. Wenn Sie dies umfassend tun würden, wäre es sehr schwierig, tatsächlich den gesamten Designraum abzudecken. Hier können Sie nicht einfach Deep Studying einsetzen, ohne zu versuchen, etwas cleverer vorzugehen.
Die hochmodernen Deep-Studying-basierten Ansätze nutzen Reinforcement Studying. Sie beginnen – bei gegebener Zielkurve – mehr oder weniger zufällig mit dem Aufbau dieser Mechanismen, im Grunde ein Monte-Carlo-Optimierungsansatz. Das Maß dafür ist der direkte Vergleich der Kurve, die ein Mechanismus verfolgt, und der Zielkurven, die in das Modell eingegeben werden, und wir zeigen, dass unser Modell etwa 28-mal besser abschneidet. Für unseren Ansatz sind es 75 Sekunden, und der auf Verstärkungslernen basierende Ansatz dauert 45 Minuten. Der Optimierungsansatz wird länger als 24 Stunden ausgeführt und es kommt zu keiner Konvergenz.
Ich denke, wir haben den Punkt erreicht, an dem wir einen sehr robusten Proof of Idea für die Verknüpfungsmechanismen haben. Es ist ein Downside, das so kompliziert ist, dass wir erkennen können, dass herkömmliche Optimierung und herkömmliches Deep Studying allein nicht ausreichen.
Q: Was ist das Gesamtbild hinter der Notwendigkeit, Techniken wie Verknüpfungen zu entwickeln, die die Zukunft des Co-Designs von Mensch und KI ermöglichen?
Ahmed: Das offensichtlichste ist die Konstruktion von Maschinen und mechanischen Systemen, die wir bereits gezeigt haben. Dennoch denke ich, dass ein wesentlicher Beitrag dieser Arbeit darin besteht, dass es sich um einen diskreten und kontinuierlichen Raum handelt, in dem wir lernen. Wenn Sie additionally über die Verbindungen nachdenken, die es da draußen gibt, und darüber, wie die Verbindungen miteinander verbunden sind, dann ist das ein eigenständiger Raum. Entweder Sie sind verbunden oder nicht: 0 und 1, aber wo sich jeder Knoten befindet, ist ein kontinuierlicher Raum, der variieren kann – Sie können sich überall im Raum befinden. Das Lernen für diese diskreten und kontinuierlichen Räume ist ein äußerst anspruchsvolles Downside. Der Großteil des maschinellen Lernens, das wir sehen, wie zum Beispiel beim maschinellen Sehen, ist nur kontinuierlich, oder die Sprache ist größtenteils diskret. Durch die Darstellung dieses diskreten und kontinuierlichen Methods lässt sich die Schlüsselidee meiner Meinung nach auf viele technische Anwendungen übertragen, von Metamaterialien über komplexe Netzwerke bis hin zu anderen Arten von Strukturen und so weiter.
Es gibt Schritte, über die wir sofort nachdenken, und eine natürliche Frage betrifft komplexere mechanische Systeme und mehr Physik, zum Beispiel, wenn man beginnt, verschiedene Formen elastischen Verhaltens hinzuzufügen. Dann können Sie auch über verschiedene Arten von Komponenten nachdenken. Wir denken auch darüber nach, wie Präzision in große Sprachmodelle integriert werden kann, und einige der Erkenntnisse werden dorthin übertragen. Wir denken darüber nach, diese Modelle generativ zu machen. Im Second rufen sie gewissermaßen Mechanismen ab und führen dann eine Optimierung aus einem Datensatz durch, während generative Modelle diese Methoden generieren. Wir erforschen auch das Finish-to-Finish-Lernen, bei dem keine Optimierung erforderlich ist.
Nobari: Es gibt einige Stellen im Maschinenbau, an denen sie eingesetzt werden, und es gibt sehr häufige Anwendungen von Systemen für diese Artwork der inversen kinematischen Synthese, bei denen dies nützlich wäre. Ein paar davon, die mir in den Sinn kommen, sind zum Beispiel Autoaufhängungssysteme, bei denen Sie einen bestimmten Bewegungspfad für den gesamten Aufhängungsmechanismus wünschen. Normalerweise modellieren sie dies in 2D mit Planmodellen des gesamten Aufhängungsmechanismus.
Ich denke, dass der nächste Schritt, der letztendlich sehr nützlich sein wird, darin besteht, den gleichen oder einen ähnlichen Rahmen für andere komplizierte Probleme zu demonstrieren, die kombinatorische und kontinuierliche Werte beinhalten.
Zu diesen Problemen gehört eines der Dinge, die ich untersucht habe: konforme Mechanismen. Wenn Sie beispielsweise über die Mechanik kontinuierlicher – anstelle dieser diskreten – starren Verbindungen verfügen, hätten Sie eine Verteilung von Materialien und Bewegung, und ein Teil des Supplies verformt den Relaxation des Supplies, um eine andere Artwork von Bewegung zu erhalten.
Nachgiebige Mechanismen werden an vielen verschiedenen Stellen eingesetzt, manchmal in Präzisionsmaschinen für Befestigungsmechanismen, wo ein bestimmtes Teil an Ort und Stelle gehalten werden soll, und zwar mithilfe eines Mechanismus, der es fixiert, und zwar konsistent und mit sehr hoher Geschwindigkeit hohe präzision. Wenn man mit dieser Artwork von Framework einen Großteil davon automatisieren könnte, wäre das sehr nützlich.
Dabei handelt es sich allesamt um schwierige Probleme, die sowohl kombinatorische Designvariablen als auch kontinuierliche Designvariablen betreffen. Ich denke, wir sind kurz davor, und letztendlich wird das die letzte Etappe sein.
Diese Arbeit wurde teilweise vom MIT-IBM Watson AI Lab unterstützt.