Пределы физического ИИ: где, по словам Siemens, человек остается главным

Физический ИИ теперь может исследовать тысячи вариантов дизайна за то время, которое традиционной симуляции потребовалось бы, чтобы обработать лишь несколько из них. По данным Siemens, скорость может быть ровно до 1 000 раз выше. Однако он не может утвердить деталь, критически важную для безопасности. В этом вопросе у технологии есть чёткое ограничение, и Сэм Махалингам, руководящий направлением её развития в Siemens Digital Industries Software, заявляет об этом без оговорок.

«Подходит ли это для критически важных с точки зрения безопасности приложений?» — сказал он в кулуарах Realize LIVE Asia-Pacific в Бангалоре. «Нет, не подходит».

Это важно, поскольку такой ответ противоречит заявлениям индустрии последних двух лет о том, что её ИИ способен делать практически всё. Ценность для инженеров заключается не в продаваемой Siemens скорости, а в точном понимании того, где на эту скорость уже небезопасно полагаться.

Что на самом деле делает физический ИИ, а чего он не делает

Речь идёт о Simcenter PhysicsAI — программном обеспечении Siemens для геометрического глубокого обучения, которое, как утверждает компания, способно прогнозировать параметры конструкции до 1 000 раз быстрее традиционного решателя. Механизм работы важен для понимания этого ограничения. Вместо того чтобы каждый раз вычислять физические параметры с нуля, суррогатная модель обучается на исторических данных симуляций и прогнозирует результат для новой конструкции. Это оценка, получаемая за секунды, а не полноценный расчёт.

Очевидный вопрос касается точности, и Махалингам ответил на него прямо. По его словам, на протяжении десятилетий инженеры сопоставляли результаты физического моделирования с физическими испытаниями, пока корреляция не становилась достаточно высокой, чтобы ей можно было доверять. Теперь ИИ сравнивают с той же физической базовой моделью. «Мы видим, что при наличии достаточного объёма данных результат очень близок к результату физического решателя», — сказал он, имея в виду отклонение от 1% до 3%, которое Siemens приводит в собственных тематических исследованиях.

Близко, но недостаточно близко, чтобы сертифицировать компонент, от которого зависят жизнь и смерть. И именно здесь Махалингам отходит от стандартного сценария поставщиков. Суррогатная модель не заменяет валидацию; она служит фильтром перед ней. «С помощью этого более быстрого движка — суррогатной модели физического ИИ — вы исследуете гораздо больше вариантов конструкции, отбираете два или три варианта, которые считаете удачными, а затем можете провести их детальную проработку с использованием физического моделирования», — сказал он. Только после того, как финальные варианты проходят полную проверку на основе физического моделирования, конструкция направляется к производству.

Он особо подчеркнул, что даже широко известный пример — корпус подушки безопасности Continental, который демонстрировала Siemens, — находится в рамках этого ограничения. «Это предназначено для начального исследования конструкции», — сказал он. «Нельзя просто провести валидацию с помощью физического ИИ и сказать: хорошо, я рекомендую эту конструкцию для производства. Нет, дело обстоит не так».

Зависимость, о которой не говорят цифры скорости

Есть и второе ограничение, которое обычно скрывается за показателями ускорения, и оно проявилось, когда разговор коснулся обучения этих моделей. Некоторые ключевые результаты Siemens, включая проекты с Magna и Continental, основаны на ИИ, обученном на синтетических данных: результатах симуляций, созданных собственными решателями Siemens, а не реальными измерениями. Если ИИ учится только на данных симуляции, возникает вопрос: может ли он когда-либо быть лучше симуляции, которая его обучила?

Отвечая на вопрос, Махалингам не стал уклоняться от этой цикличности. В случае Magna, по его словам, заказчик провёл широкое исследование вариантов конструкции в Simcenter HEEDS — инструменте Siemens для поиска оптимальных конструкций, — а затем быстро рассчитал эти варианты с помощью Simsolid, решателя, который пропускает медленный этап построения сетки. Полученные результаты симуляции затем использовали для обучения модели физического ИИ. Если у заказчика изначально нет данных, «сначала они сгенерировали синтетические данные с помощью Simsolid и HEEDS, а затем вернулись к ним, взяли эти данные и обучили модель физического ИИ». Иными словами, суррогатная модель всегда может быть лишь настолько хороша, насколько хороша лежащая в её основе симуляция, — ограничение, которое он признал, а не попытался замолчать.

По его словам, избежать превращения этого ограничения в ловушку помогает защитный механизм, не позволяющий модели делать прогнозы в области, с которой она никогда не сталкивалась. Суррогатная модель, обученная на вариантах одной формы, не справится с прогнозированием для радикально отличающейся формы, и она спроектирована так, чтобы сообщить об этом. «Мы установили защитные механизмы: модель возвращает ответ: эй, я не могу это спрогнозировать. Это совершенно другая форма по сравнению с тем, на чём вы меня обучали», — сказал Махалингам. «Так что инженер не сможет сам себе навредить».

Почему честность — это и есть главное

Эта откровенность — не самоуничижение, а вопрос позиционирования. Сегодня каждый поставщик решений для симуляции спешит добавить ИИ в свой портфель, и риск для доверия заключается в том, что покупатели перестанут верить любым цифрам. Обозначая границы технологии — безопасна для исследования, но не для финального утверждения; эффективна при наличии данных, но бесполезна за пределами области обучения, — Siemens делает ставку на то, что инженеры больше доверяют инструменту, когда он сообщает им, чего не умеет.

Это особенно заметно, когда подобные слова исходят от подразделения, занимающегося симуляцией. Поставщики решений для проектирования микросхем и корпоративного ИИ на протяжении всего периода ажиотажа обещали автономность; компания, чьи клиенты моделируют конструкции автомобилей при столкновениях и реактивные двигатели, напротив, настаивает на сохранении человеческого этапа валидации в неизменном виде. Это не попытка защититься от ИИ. Это более трезвый взгляд на место технологии: быстрый первый этап, расширяющий область поиска, тогда как физический решатель по-прежнему принимает окончательное решение обо всём, что должно быть безошибочным.

Это более узкое утверждение, чем те, что рынок привык слышать, и при этом более устойчивое. Siemens продаёт ускорение в 1 000 раз, но гораздо более ценное предложение для инженеров — это границы, очерчивающие область его применения.

См. также: Siemens представляет систему ИИ для автоматизации инженерных процессов

Хотите узнать больше об ИИ и больших данных от лидеров отрасли? Посетите AI & Big Data Expo, которая пройдёт в Амстердаме, Калифорнии и Лондоне. Это масштабное мероприятие является частью TechEx и проводится одновременно с другими ведущими технологическими мероприятиями, включая Cyber Security & Cloud Expo. Нажмите здесь, чтобы получить дополнительную информацию.

AI News работает при поддержке TechForge Media. Ознакомьтесь с другими предстоящими мероприятиями и вебинарами в сфере корпоративных технологий здесь.