Przejdź do treści
5 min czytania

MIT: „drugi pilot” AI pomaga inżynierom projektować konstrukcje

Drugi pilot AI z MIT pyta inżyniera o opinię w trakcie optymalizacji topologii. Efekt: lepsza wytwarzalność i nośność kosztem zaledwie 15 sekund więcej pracy.

Inżynierowie z MIT opracowali system, który działa jak „drugi pilot” AI przy projektowaniu konstrukcji. Algorytm generuje strukturę budynku czy mostu, ale w trakcie pracy wskazuje człowiekowi fragmenty projektu do oceny i pozwala je poprawić. Jak informuje MIT News, takie podejście dało konstrukcje łatwiejsze do wykonania i odporniejsze na wyboczenie. Kosztem jest zaledwie 15 sekund dodatkowego czasu projektowania w porównaniu z metodami w pełni algorytmicznymi.

Wyniki opisano w otwartym artykule naukowym w czasopiśmie Communications Engineering, zatytułowanym „AI-Guided Human-In-the-Loop Inverse Design of High Performance Engineering Structures”. Badacze chcą, by metoda zwiększyła zaufanie do projektów generowanych maszynowo. Ich zdaniem może też udostępnić projektowanie algorytmiczne szerszemu gronu inżynierów.

Najważniejsze informacje

  • System MIT opiera się na optymalizacji topologii i w trakcie generowania projektu przedstawia projektantowi wybrane obszary do oceny.
  • Model uczenia maszynowego szybko wskazuje regiony, które człowiek najpewniej chciałby zmienić. Wytrenowano go na syntetycznym zbiorze prawdopodobnych opinii projektantów o tysiącach projektów.
  • W demonstracjach podejście z udziałem człowieka poprawiło wytwarzalność i liniowe obciążenie wyboczeniowe o 39 proc., a łączny czas projektowania wzrósł tylko nieznacznie.
  • Na razie użytkownik może jedynie pogrubiać lub pocieniać konstrukcję we wskazanych obszarach. Kolejne opcje modyfikacji mają pojawić się w przyszłych wersjach.
  • Autorzy nie traktują swojej metody jako konkurencji dla podejść opartych wyłącznie na AI, lecz jako ich uzupełnienie.

Problem „czarnej skrzynki” w projektowaniu algorytmicznym

Algorytmiczne projektowanie konstrukcji ma już na koncie konkretne osiągnięcia. Dzięki niemu powstały zoptymalizowane części do ultralekkich samolotów, anten o dużej przepustowości i bolidów Formuły 1. Nawet najlepsze techniki tego typu wciąż wymagają jednak dużej mocy obliczeniowej i czasu.

Projektant widzi wynik dopiero po zakończeniu obliczeń. Jeśli chce coś zmienić, często musi zaczynać cały proces od nowa. Utrudnia to także ocenę, czy gotowy projekt jest rzeczywiście bezpieczny konstrukcyjnie.

Optymalizacja topologii to jedna z najbardziej zaawansowanych i obiecujących technik projektowania algorytmicznego. Polega na iteracyjnym „wypełnianiu” dostępnej przestrzeni projektowej materiałem tak, by jak najlepiej spełnić założone cele. Gotowe projekty bywają jednak niepraktyczne albo mają wady, których inżynier nie przewidział. Badacze podają przykład konstrukcji, w których w jednym punkcie zbiega się osiem lub więcej belek. Takie połączenie byłoby w praktyce trudne do wykonania.

„Inżynierowie zawsze podchodzą bardzo sceptycznie do programów komputerowych, zwłaszcza jeśli dają one bardzo dziwnie wyglądające lub nieoczekiwane projekty. Na papierze optymalizacja topologii jest naprawdę potężna i pozwala uzyskać świetne, wysokowydajne projekty, ale jej natura czarnej skrzynki sprawiła, że jest mniej rozpowszechniona w przemyśle” — mówi Dat Ha.

Technika zyskała popularność w branży motoryzacyjnej i lotniczej. W projektowaniu budynków i mostów stosuje się ją rzadziej, między innymi dlatego, że inżynier musi mieć pewność, że może zaufać wynikowi.

„Dużym czynnikiem ograniczającym było to, że projektant ma bardzo niewielki wpływ na to, jak projekt ewoluuje, a zatem nie może kontrolować niepożądanych cech. Brak kontroli i brak poczucia współautorstwa również hamują jej wykorzystanie” — wyjaśnia Josephine Carstensen.

Jak działa „drugi pilot”

Wcześniejsze próby włączenia ludzkiej oceny w proces optymalizacji drastycznie go spowalniały. Nowy system rozwiązuje ten problem za pomocą uczenia maszynowego. Model szybko identyfikuje obszary projektu, które człowiek najprawdopodobniej chciałby zmienić, i przedstawia je projektantowi w trakcie generowania struktury.

Do trenowania modelu badacze stworzyli syntetyczny zbiór danych. Zawiera on prawdopodobne uwagi projektantów do tysięcy projektów, dotyczące między innymi estetyki, kryteriów wydajności i wytwarzalności. Podobnie jak w metodzie trenowania emulatorów klimatu przy ułamku danych, także tutaj odpowiednio przygotowane dane treningowe są kluczem do praktycznego zastosowania uczenia maszynowego.

„Pomyśleliśmy, że jeśli uda nam się stworzyć zapis tego, gdzie ludzie wprowadzali zmiany w tych programach, to być może w tych wyborach kryje się jakiś wzorzec. Nie różni się to bardzo od innych podejść opartych na uczeniu maszynowym” — tłumaczy Ha.

Carstensen widzi w systemie połączenie zalet projektowania algorytmicznego i ludzkiego:

„Chodzi o to, by sięgnąć do umysłów projektantów i sprawić, by w miarę rozwoju projektu wnosili do niego swoją wiedzę dziedzinową”.

Pierwszy autor publikacji ujmuje to podobnie. Jego zdaniem obecnie człowiek nie ma żadnej sprawczości ani kontroli nad procesem projektowania w trakcie jego trwania. Przy bardzo złożonych projektach zespół chciał wykorzystać także „ludzki mózg, najbardziej złożoną maszynę, jaka istnieje”, aby rozwiązywać problemy w sposób bardziej praktyczny dla przemysłu.

Obecna wersja ma wyraźne ograniczenie: we wskazanych obszarach można jedynie pogrubić lub pocienić konstrukcję. Zespół zapowiada, że w kolejnych wersjach chce dodać inne rodzaje modyfikacji.

Zespół badawczy i finansowanie

Pierwszym autorem pracy jest Dat Ha, który niedawno obronił doktorat na wydziale inżynierii lądowej i środowiska MIT. Obecnie pracuje jako projektant konstrukcji w firmie LeMessurier. Współautorami są:

  • Ferdous Alam, były postdoc MIT, obecnie adiunkt w Georgia Tech,
  • Markus Buehler, profesor inżynierii MIT (Jerry McAfee (1940) Professor of Engineering),
  • Faez Ahmed, profesor nadzwyczajny inżynierii mechanicznej MIT,
  • Josephine Carstensen, profesor nadzwyczajna inżynierii lądowej i środowiska MIT, autorka senioralna.

Prace częściowo sfinansowały MathWorks Engineering Fellowship Fund, TATA Steel oraz MIT Generative AI Impact Consortium.

Miejsce zarówno dla AI, jak i dla człowieka

Badacze zastrzegają, że ich system nie ma zastąpić rozwiązań opartych wyłącznie na AI.

„Twierdzimy, że jest miejsce dla obu podejść. Jeśli pracujesz w dziedzinie, która dysponuje dużymi zasobami obliczeniowymi, możesz korzystać z tamtego podejścia. Ale jeśli naprawdę potrzebujesz ludzkiego wkładu, możesz skorzystać z tego podejścia opartego na współpracy” — mówi Carstensen.

Udział człowieka ma też inny wymiar: buduje zaufanie. W niektórych sytuacjach to ludzie muszą podjąć ostateczną decyzję, zanim projekt trafi do realizacji.

„Angażując ludzi, możemy wprowadzać do realnego świata projekty o wyższej wydajności i tworzyć lepsze konstrukcje. Bo nie chodzi tylko o projektowanie dobrych obiektów, ale o tworzenie dobrych obiektów, które ludzie faktycznie zaakceptują i zbudują” — podkreśla Carstensen.

Zespół ma też szersze ambicje. Jak mówi Carstensen, pokonanie tych barier może otworzyć optymalizację topologii na znacznie szersze grono odbiorców, nie tylko w przemyśle, ale także wśród naukowców i studentów.

Projekt MIT pokazuje, że w inżynierii konstrukcji zaufanie do AI rośnie wtedy, gdy człowiek zachowuje kontrolę nad procesem. Dodatkowe 15 sekund pracy przy wyraźnie lepszych parametrach konstrukcji może sprawić, że optymalizacja topologii trafi wreszcie do projektowania budynków i mostów.

Udostępnij

Źródła

Powrót do nawigacji