L'IA/ML pour la R&D peut considérablement accélérer les découvertes, comme la conception du profil aérodynamique supercritique

Recherche et développement à l’ère de l’intelligence artificielle et de l’apprentissage automatique

Depuis l’aube de la révolution scientifique, la recherche et le développement de nouvelles technologies ont été presque entièrement menés par l’expérimentation et l’observation continues. Du téléphone aux produits pharmaceutiques, les technologies qui ont un impact sur notre vie quotidienne ont commencé comme des versions brutes de leurs versions finement perfectionnées d'aujourd'hui. Les ingénieurs, les scientifiques et les chercheurs ont été soumis à de longs cycles de R&D itératifs consistant à formuler des hypothèses, à observer les conditions de test et à mesurer les résultats de manière répétitive. Jusqu'à maintenant. La R&D basée sur l'IA a déjà été reconnue pour des découvertes profondes telles que antibiotiques spécialisés et il continuera à réinventer la façon dont nous inventons.

Les règles de la R&D sont réécrites par des innovateurs dotés de capacités telles que l’intelligence artificielle, l’apprentissage automatique/apprentissage profond, la simulation et la modélisation. Bien avant l'avènement de l'IA/ML, la simulation et la modélisation numérique ont été adoptées par les équipes de R&D pour diverses raisons, notamment une sécurité accrue (par exemple, les tests de collision des véhicules) et une diminution des coûts (par exemple, les tests de stabilité des bâtiments). Des tendances telles que la conception assistée par ordinateur (par exemple les plans et les modèles 3D) et plus tard l'ingénierie assistée par ordinateur (par exemple les simulations physiques et chimiques) ont ouvert la voie à une nouvelle génération de science informatique et ingénierie qui profite des nouvelles technologies pour Ingénierie IA et jumeaux numériques pour les nouvelles innovations. 

Pourquoi l’IA et le ML pour la R&D sont-ils importants ? Certains affirment que le rythme global de l’innovation en R&D ralentit (Banque Mondiale), tandis que d'autres affirment que résoudre les problèmes les plus importants de l'industrie Physique de l'IA les problèmes sont devenus plus difficiles ou moins attrayants (Examen du MIT). Dans les deux cas, les chercheurs, ingénieurs et scientifiques doivent développer de nouvelles approches de découverte qui accélèrent l’innovation et élargissent les possibilités. 

Passer de la conception aérospatiale traditionnelle à la conception basée sur l'IA/ML

L’une des histoires les plus emblématiques de l’optimisation continue de l’ingénierie est le vol moderne, comme en témoignent la conception de la forme des ailes et la découverte du profil aérodynamique supercritique. Depuis plus d’un siècle, les ingénieurs de l’aérospatiale ont travaillé pour améliorer la forme transversale des ailes, connue sous le nom de profil aérodynamique. Les formes idéales du profil aérodynamique minimisent la résistance de l'air et les turbulences tout en maximisant la portance. Après 40 ans de recherche et de développement, les avions étaient devenus nettement plus rapides grâce au moteur à réaction, mais les vitesses élevées entraînaient une instabilité, d'autant plus que les pionniers se rapprochaient de la vitesse du son. Les aérodynamiciens ont continuellement itéré sur la conception des profils aérodynamiques jusqu'à finalement arriver à la conception supercritique qui a été incorporée dans une large gamme d'avions, du commercial au militaire, conduisant à une sécurité et une efficacité considérablement améliorées. 

La découverte du profil aérodynamique supercritique a pris des décennies, en s'appuyant sur des outils physiques comme les souffleries (depuis les années 1930) et éventuellement des outils numériques. dynamique des fluides numérique (CFD) (depuis les années 1970) – les deux approches étant hautement itératives et ne produisant que des gains progressifs. Cela soulève la question suivante : avec la compréhension actuelle de la physique combinée à des technologies telles que le prototypage numérique et l'intelligence artificielle, pouvons-nous réaliser des découvertes transformationnelles beaucoup plus rapidement que jamais ? La réponse est la plus probable, Oui! 

L'IA et les technologies associées telles que l'apprentissage automatique et profond, les réseaux neuronaux basés sur la physique et les modèles de substitution présentent un immense potentiel pour résoudre des problèmes de conception complexes comme le profil aérodynamique supercritique. Les ingénieurs peuvent utiliser des méthodes informatiques pour générer des conceptions candidates pratiquement illimitées, les tester dans un large éventail de conditions réelles et sélectionner la conception optimale. Au cours des dernières décennies, les ingénieurs aérospatiaux se sont appuyés sur les logiciels CFD et le calcul parallèle, qui continuent de devenir plus rapides mais nécessitent toujours beaucoup de temps, ce qui attire l'attention sur cette nouvelle catégorie d'approches basées sur l'IA. 

Découverte de la conception optimale du profil aérodynamique à l'aide du ML et d'un modèle de substitution lors du redimensionnement

Pour illustrer comment les aérodynamiciens peuvent commencer à concevoir et à optimiser les formes des profils aérodynamiques, nous avons rassemblé un tutoriel qui produit la conception supercritique du profil aérodynamique beaucoup plus rapidement que les approches traditionnelles. Pour commencer à déployer l'IA/ML, les équipes de R&D ont besoin d'une variété d'outils. C'est pourquoi Rescale a créé une plate-forme avec une pile complète et un flux de travail simple pour commencer. Semblable aux méthodes standard d'ingénierie assistée par ordinateur (IAO) telles que CFD ou analyse par éléments finis (FEA), les ingénieurs doivent avoir accès à des logiciels spécifiques à un cas d'utilisation et à du matériel spécialisé (par exemple CPU, GPU, stockage, réseau, mémoire). 

En plus du matériel et des logiciels spécifiques, les approches d'IA s'appuient sur une gamme de cadres et de vastes ensembles de données pour les modèles de formation, que Rescale rassemble sur une seule plateforme. Dans ce cas d'utilisation particulier, l'utilisateur peut exploiter un ensemble de données existant sur les formes de profil aérodynamique possibles et un cadre open source pour l'analyse multidisciplinaire, MDAO, pour effectuer une optimisation des formes aérodynamiques.  

Dans ce projet, nous avons utilisé des techniques de ML appliquées pour accélérer les simulations CFD et les processus d'optimisation sur la plateforme Rescale. Tout d’abord, nous avons appliqué l’analyse en composantes principales (ACP) pour réduire la dimensionnalité d’une grande base de données de profils aérodynamiques. Ensuite, nous avons construit un modèle d'ordre réduit basé sur l'ACP pour produire des prédictions de champ d'écoulement basse fidélité afin d'accélérer la convergence des simulations haute fidélité nécessaires à la génération de données de formation. Enfin, sur la base de ces données d'entraînement entièrement générées, nous avons construit un modèle de substitution basé sur un processus gaussien qui est utilisé pour une boucle d'optimisation rapide afin de minimiser la traînée d'un profil aérodynamique de base sous des contraintes données. 

L’exécution de chaque cas haute fidélité prendrait environ 50 secondes (8 cœurs/échantillon) lors du démarrage à partir des conditions initiales, et 4 secondes (8 cœurs/échantillon) lors du démarrage à partir d’un champ de flux prévu. Lorsque les données d'entraînement sont générées de manière naïve, c'est-à-dire sans accélération intermédiaire à l'aide d'un modèle de substitution intermédiaire, la génération de l'ensemble des données prendrait environ 17 heures. Cependant, lorsqu’une accélération intermédiaire est utilisée pour initialiser une grande majorité des simulations haute fidélité avec des prédictions intermédiaires, la génération des données ne prend que 2 heures. Le temps nécessaire à la formation du modèle de substitution est négligeable par rapport à la génération des données de formation. Il faut quelques heures pour générer les données nécessaires à la formation du modèle de substitution final ; mais une fois entraîné, le modèle produit des prédictions suffisamment précises, chacune en une fraction de seconde. En conséquence, le coût initial de la génération des données de formation est considérablement amorti au cours des études d'optimisation ultérieures qui peuvent impliquer plusieurs optimisations avec des contraintes et des objectifs différents.    

Conclusion

Dans cette comparaison des méthodes de conception CAE traditionnelles et ML, nous avons démontré que l'utilisation d'un modèle de substitution pour aider ou remplacer les simulations haute fidélité accélère considérablement les études de conception et d'optimisation et permet de modifier dynamiquement les contraintes ou les objectifs sans avoir à répéter la simulation haute fidélité pour chaque étude. L'accélération était environ 8 fois plus rapide avec la méthode ML. Si vous souhaitez en savoir plus ou l'essayer par vous-même, consultez notre tutoriel guidé avec vidéo récapitulative ici. Si vous êtes intéressé par les techniques d'IA/ML que vous pouvez déployer pour d'autres secteurs et cas d'utilisation, vous pouvez entrer en contact avec nous ici. Nous sommes heureux d'aider de nombreux clients pionniers à tester continuellement de nouvelles approches de R&D et à réaliser ainsi de nouvelles découvertes.