Nous avons récemment rencontré Sherif Samy, un éminent chercheur en doctorat de l'Université britannique d'Égypte (BUE), pour approfondir ses travaux utilisant Rescale pour explorer de nouvelles méthodes d'IA. Les travaux de Samy, récemment publiés, publié dans Nature, se concentre sur l'application de l'apprentissage automatique interprétable pour résoudre des défis complexes en conception technique, notamment avec les matériaux composites. Il a souligné le programme d'ingénierie unique de BUE, son impact sur l'industrie et le rôle de Rescale dans l'accélération de ses simulations avancées et de la formation aux modèles d'IA. Cet entretien offre un aperçu de la tendance croissante à l'utilisation de l'IA en ingénierie des matériaux et de la manière dont les outils informatiques façonnent l'avenir de la recherche en ingénierie.

Pour commencer, pourriez-vous nous parler de l’Université britannique en Égypte (BUE) et de ce qui rend son approche de l’éducation et de la recherche unique ?

Le École d'ingénieurs de l'Université britannique d'Égypte (BUE) s'engage à offrir une formation compétitive visant à former des diplômés compétents et motivés par la recherche à l'international. Notre mission principale est de former des individus capables de contribuer significativement à l'avancement de la recherche et de l'industrie.

Pourriez-vous nous en dire plus sur vos sujets de recherche, vos méthodologies et vos collaborations ?

Mon travail consiste à résoudre des énigmes concrètes de conception structurelle à l'aide de méthodes informatiques avancées. Je me suis notamment concentré sur l'apprentissage automatique « interprétable » pour l'ingénierie. Si certains modèles d'IA puissants – comme les modèles d'ensemble, de plus en plus populaires – peuvent être très précis, ils peuvent aussi être une sorte de « boîte noire » : ils nous fournissent d'excellentes prédictions, mais ne nous montrent pas comment elles y sont parvenues, ce qui complique la compréhension des relations entre les différentes variables de conception.

L'explicabilité consiste à rendre ces algorithmes intelligents transparents afin que nous puissions comprendre leurs principes sous-jacents et comment ils parviennent à leurs conclusions. Une grande partie de mon travail consiste à combler le fossé entre ces connaissances théoriques et la réalité industrielle. Nous collaborons avec des leaders du secteur et utilisons notre recherche appliquée et notre modélisation basée sur les données pour résoudre directement les défis auxquels ils sont confrontés. Par exemple, nous avons collaboré avec l'Organisation arabe pour l'industrialisation (AOI) et Misr Commercial Vehicles (MCV) sur une étude complète de simulation et de conception pour la fabrication d'une pale d'éolienne en PRFV de 20 kW. Nos travaux comprenaient une analyse par éléments finis haute-fidélité en conditions opérationnelles et de vents extrêmes, la caractérisation des matériaux et l'optimisation des couches composites pour répondre aux exigences structurelles et s'adapter aux changements de conception des tours. Cette approche collaborative garantit non seulement la pertinence de nos recherches, mais contribue également directement aux résultats concrets d'ingénierie et de production.

Parlez-nous de votre intérêt pour l’application du HPC et de l’IA à la conception composite et pourquoi ce domaine est particulièrement important dans le monde de l’ingénierie ?

Résoudre le problème de l'interprétabilité est particulièrement important dans les applications d'ingénierie des matériaux et des pièces, comme les assemblages boulonnés composites, qui gagnent rapidement en popularité dans des secteurs comme l'aérospatiale et l'automobile grâce à leur excellent rapport résistance/poids. Cependant, ces assemblages sont complexes et les normes de conception complètes existantes sont souvent insuffisantes, voire inexistantes. Le calcul haute performance (HPC) et l'IA sont essentiels pour exécuter efficacement des simulations complexes et haute fidélité, gérer des exigences de calcul intensives, de nombreuses itérations et des scénarios de conception variés, afin d'obtenir des prévisions précises dans des délais raisonnables.

Notre travail vise à surmonter cela en utilisant la régression symbolique, en particulier PySR (Régression symbolique Python), pour dériver des équations explicites et interprétables à partir de données de simulation haute fidélité. Ces équations révèlent la physique sous-jacente et la mécanique des structures composites. Cette approche offre non seulement une grande précision prédictive, mais aussi une transparence permettant aux ingénieurs de comprendre. why Une conception donnée fonctionne comme elle le fait. Cette interprétabilité est essentielle pour la confiance, la validation et, en fin de compte, pour développer des conceptions plus robustes et fiables, en particulier dans les applications critiques pour la sécurité, où la compréhension des mécanismes de défaillance est primordiale.

Comment ces avancées en matière de matériaux sont-elles appliquées dans diverses industries ?

Les matériaux composites et les polymères renforcés de fibres (PRF) sont largement utilisés dans de nombreux secteurs grâce à leurs propriétés supérieures. Dans l'aéronautique, ils jouent un rôle crucial dans l'allègement des structures, notamment dans les composants d'avions tels que l'Airbus A350 XWB et le Boeing 787 Dreamliner, ainsi que dans les pièces de moteur, comme celles des moteurs LEAP, souvent fixées à l'aide de fixations composites. Le secteur automobile exploite les composites pour améliorer les performances et la consommation de carburant, en les intégrant à des véhicules hautes performances tels que les BMW Série i, BMW Série 7 et l'Audi R8 e-tron, notamment pour des composants tels que les panneaux de carrosserie et le châssis. Dans l'industrie maritime, les PRF sont utilisés dans la conception d'hélices, comme dans des projets comme « FabHeli », et pour des produits spécialisés tels que les raccords de tuyauterie, les brides, les plaques de tuyère et les bagues de support. Le secteur de la construction exploite ces matériaux dans les projets d'infrastructure, comme par exemple les ponts utilisant des poutres en PRF intégrées à des dalles de béton par des assemblages boulonnés, illustrant ainsi leur application dans la construction de ponts modernes.

Parlez-nous de votre approche de l’IA, en particulier de la manière dont vous générez des données et validez vos modèles, et de la manière dont Rescale s’intègre dans ce processus ?

Notre méthodologie est complète et intègre des essais expérimentaux, la modélisation par éléments finis (MEF) et l'apprentissage automatique. Nous commençons par la fabrication et les essais expérimentaux de joints hybrides en L afin de déterminer leurs charges d'amorçage. Ces essais physiques sont essentiels pour générer des données concrètes et, surtout, pour valider nos modèles par éléments finis, principalement développés en AbaqusCette validation expérimentale garantit la précision et la fiabilité de nos simulations FEM. Le processus de validation nécessite des simulations approfondies pour ajuster les coefficients de rigidité de pénalité afin de capturer avec précision l'initiation et la progression du délaminage, un effort qui a été considérablement accéléré grâce à la plateforme HPC évolutive de Rescale.

Une fois validés, ces modèles FEA deviennent un outil puissant pour générer de vastes ensembles de données de haute qualité. Nous utilisons une approche de plans d'expériences (DoE) pour explorer systématiquement l'espace de conception et créer un ensemble de données complet. C'est là que Rescale redevient indispensable. L'exécution de simulations par éléments finis complexes, notamment pour générer des ensembles de données volumineux, exige une puissance de calcul et une évolutivité importantes. Rescale nous permet d'exécuter ces tâches ABAQUS efficacement, en adaptant nos besoins de calcul à la demande. La possibilité d'exécuter ces simulations depuis n'importe quel endroit, associée à l'intégration transparente de Rescale à nos objectifs académiques, a considérablement accéléré notre processus de génération de données.

Après avoir généré les données, nous utilisons sélection de fonctionnalité Pour identifier les paramètres clés influençant la performance des articulations, des modèles d'apprentissage automatique évaluent ensuite la qualité de l'ensemble de données et guident le choix de la fonction de perte PySR. Enfin, nous exploitons PySR pour dériver des équations de conception interprétables à partir des ensembles de données générés par MEF. Rescale prend également en charge l'entraînement de nos modèles d'IA, fournissant la base de calcul nécessaire à ces analyses avancées.

Avant d’adopter Rescale, quels étaient certains des défis auxquels vous étiez confrontés dans vos recherches ou dans vos flux de travail de conception technique typiques ?

Avant Rescale, notre flux de travail était confronté à plusieurs goulots d'étranglement importants, principalement liés aux ressources de calcul et à la gestion des logiciels. Exécuter les simulations par éléments finis à grande échelle requises pour nos vastes ensembles de données était extrêmement chronophage sur des machines locales, voire sur des clusters plus petits. Cela limitait le nombre de variantes de conception que nous pouvions explorer et prolongeait considérablement nos cycles de recherche. La gestion des différentes licences logicielles, la compatibilité entre les différents outils et la gestion des limitations matérielles posaient également des difficultés. L'installation et la configuration de chaque environnement de simulation pouvaient s'avérer fastidieuses, ce qui nous faisait perdre un temps précieux en informatique au détriment de la recherche fondamentale. En résumé, la puissance de calcul brute et la facilité d'accès à celle-ci constituaient des contraintes majeures qui ralentissaient notre progression et limitaient la portée de nos investigations.

Comment Rescale vous a-t-il aidé à surmonter ces défis et à améliorer vos recherches ?

Rescale a changé la donne pour nous. Son impact principal a porté sur l'évolutivité et l'efficacité. La capacité de la plateforme à fournir un accès à la demande à des ressources de calcul haute performance nous permet désormais d'exécuter des centaines, voire des milliers de simulations en parallèle, réduisant ainsi considérablement le temps nécessaire à la réalisation de nos objectifs de recherche. Le nombre de simulations FEM pour le réglage de la rigidité des pénalités, la validation et la génération du jeu de données d'entraînement est d'au moins 500 simulations, et l'entraînement des modèles ML sur ce jeu de données est d'environ 200 essais. Ce qui prenait auparavant des semaines, voire des mois, peut désormais être réalisé en quelques jours. Cette accélération incroyable nous permet d'explorer un espace de conception beaucoup plus vaste, conduisant à des équations interprétables plus robustes et généralisées.

Au-delà de la puissance de calcul brute, la conception intuitive de Rescale et ses intégrations avec nombre de nos logiciels existants ont été inestimables. Nous ne perdons plus de temps à configurer l'infrastructure ni à résoudre les conflits logiciels. Le soutien collaboratif de l'équipe Rescale a également été exceptionnel, nous fournissant des conseils lorsque nécessaire. La combinaison de capacités techniques performantes et d'une ergonomie académique, incluant des considérations de compatibilité des licences et de maîtrise des coûts, nous a permis de nous concentrer davantage sur les défis scientifiques et moins sur la charge de calcul, ce qui s'est traduit directement par des gains d'efficacité significatifs et une meilleure production de recherche.

À l’avenir, quelles tendances prévoyez-vous voir dans les sciences des matériaux et la conception technique, en particulier en ce qui concerne l’IA et la simulation ?

L'avenir des sciences des matériaux et de la conception technique sera sans aucun doute façonné par une intégration plus poussée de l'IA et de la simulation avancée. Nous évoluons vers un paradigme où l'IA n'est plus seulement un outil d'analyse, mais fait partie intégrante du processus de conception lui-même, permettant la conception générative et la découverte accélérée de matériaux. Je prévois une importance croissante accordée aux « jumeaux numériques », où des simulations haute fidélité créent des répliques virtuelles de systèmes physiques, continuellement optimisées et mises à jour avec des données réelles.

La quête d'une IA interprétable, comme le démontrent nos recherches, deviendra également plus cruciale. À mesure que les modèles d'IA se complexifient, la compréhension de leurs décisions deviendra primordiale, notamment dans les secteurs réglementés. De plus, la combinaison de techniques expérimentales avancées et de modélisation basée sur les données permettra d'obtenir des informations sans précédent sur le comportement des matériaux à différentes échelles. Les plateformes de calcul haute performance, comme Rescale, constitueront l'épine dorsale de ces tendances, permettant les simulations et le traitement de données massifs nécessaires à ces workflows de conception et de découverte de nouvelle génération.

Quels conseils donneriez-vous aux autres chercheurs universitaires et de l’enseignement supérieur qui envisagent d’adopter des solutions HPC pour leur travail ?

Mon principal conseil serait de rechercher des plateformes offrant un équilibre entre puissance technique et flexibilité académique. Les performances brutes sont certes importantes, mais ce n'est pas le seul facteur. Pour les chercheurs universitaires, des aspects tels que la compatibilité des licences, la maîtrise des coûts et la facilité d'intégration sont tout aussi cruciaux. Vous aurez besoin d'une solution capable d'adapter vos besoins de calcul sans imposer de coûts prohibitifs ni de courbes d'apprentissage abruptes à vos étudiants et à vos équipes de recherche ; c'est là que Rescale a excellé pour nous. Recherchez des plateformes offrant un support robuste, une documentation claire et des exemples adaptés aux logiciels et workflows académiques courants. Investir dans l'apprentissage des langages de programmation est également une compétence essentielle pour la personnalisation des simulations et l'entraînement des modèles de machine learning, car cela permet aux chercheurs d'exploiter pleinement le potentiel de ces environnements HPC.

Enfin, quelles sont vos réflexions générales et vos retours sur l’utilisation de la plateforme Rescale pour vos recherches ?

Globalement, mon retour sur la plateforme Rescale est extrêmement positif. Son interface intuitive et ses fonctionnalités sont parfaitement adaptées à nos objectifs de recherche. J'apprécie particulièrement la possibilité d'exécuter des simulations où que vous soyez, ce qui offre une grande flexibilité à notre équipe. Le soutien coopératif que nous avons reçu de l'équipe Rescale a également été exceptionnel, nous apportant une aide rapide et efficace en cas de besoin.

Si je devais suggérer des pistes d'amélioration, je dirais que des conseils supplémentaires sur les workflows avancés, comme les fonctionnalités de conception d'expériences et les astuces de ligne de commande pour différents logiciels de Rescale, pourraient être utiles aux nouveaux utilisateurs. Cependant, ce ne sont là que des points mineurs dans une expérience par ailleurs excellente. Rescale s'est avéré un atout précieux pour accélérer nos recherches, nous permettant de repousser les limites de l'apprentissage automatique interprétable en conception technique et, in fine, de publier nos résultats plus efficacement.

En savoir plus sur Rescale pour l'enseignement supérieur et l'industrie

Si vous souhaitez démarrer avec des ressources flexibles pour des projets de recherche ou d'ingénierie, contactez-nous. pour apprendre à déployer facilement une gamme de matériels et de logiciels pour les cas d'utilisation de l'IA et du HPC. Pour en savoir plus sur les travaux du Dr Sherif publiés dans Nature, consultez le site Intégration de l'apprentissage automatique et de la régression symbolique pour prédire l'apparition de dommages dans les assemblages boulonnés hybrides en PRF.