シミュレーション データ自動化へのアジャイル クラウド ネイティブ アプローチの台頭

の世界として エンジニアリングと科学計算 新しい技術や新しい手法で進化し続けるシミュレーションですが、その速度を制限する要因の1つはシミュレーションデータです。シミュレーションデータがどのように生成され、管理され、使用されるかです。しかし、このシナリオがもはや持続可能ではないことを示す兆候がいくつかあります。 Rescale 私たちはこの課題に取り組むために役割を果たしています。  

それをシェアできて嬉しいです Rescale Data シミュレーション データから価値を引き出す新しいアプローチを検討したい組織向けのプライベート ベータ版です。

Rescaleは現在、トップ10企業の大半にサービスを提供しています。 航空宇宙, 自動車, ライフサイエンス、工業、その他多くの業界があります。業界によって R&D コンピューティングの目的や成熟度は異なりますが、共通の傾向はあります。一般的に、製品ライフサイクル管理 (PLM) システムは広く採用されており、かなり成熟しています。これは驚くことではありません。なぜなら、PLM システムには、部品番号から価格、コンポーネント仕様まで、企業の製品の製造を可能にするために不可欠な情報を含む、重要な製品の「部品表」データが保存されているからです。PLM システムには多くのユーザーがおり、ビジネス運営に不可欠なため、慎重に管理する必要があります。

シミュレーションとシミュレーション データの管理方法については、まったく逆のことが言えます。シミュレーションを実行する人は比較的少数で、最新のシミュレーション ツールが求められます。シミュレーション データは、多くの場合、トランザクションとして考えられます。シミュレーションは合格しましたか? 合格しなかった場合は、繰り返し作業を行います。合格した場合は、レポート (Powerpoint、Word、PDF) に設計が適切であることを記述し、役立つ視覚化のイメージを添えて、次に進みます。ほとんどの場合、これはシミュレーション出力や使用されたメッシュに直接リンクされていないため、簡単に再現できません。

のコンセプトは シミュレーションデータおよびプロセス管理 (SPDM) 何年も前から存在していますが、一般的にはまだあまり採用されていません。よく挙げられる理由としては、1) シミュレーションのコンテキストと結果をリアルタイムでキャプチャすることが難しい、2) SPDM システムが複雑で堅固である、3) エンジニアや科学者の作業方法の変更を伴うため、ユーザーを参加させることが難しい、などが挙げられます。

そのため、企業はこれまで以上に多くのシミュレーションを実行し、シミュレーション データが爆発的に増加し、多くの場合、企業の共有ドライブに蓄積されています。エンジニアや科学者は、重要なデータである可能性はあるものの、データが適切にラベル付けされていないため、誰にも知られることのない大量のデータを作成しています。  

しかし、いくつかの理由から、この状況は長く続くものではありません。

まず、データ量が増え、コストも増加しています。ストレージはますます安価になってきていますが、データの増加ペースが追いついていません。使用できないデータに費やすには多額の費用がかかります。  

30 つ目は、企業がやり直しの悪影響を認識し、シミュレーション活動の全体像を把握していないことです。世界的な自動車会社の幹部は、シミュレーション活動の 70% は調整不足のために無駄になっている可能性が高いと考えています。大手エネルギー会社の幹部は、設計候補全体にわたるすべての関連するシミュレーション結果を簡単に完全に可視化できれば、設計上の決定を XNUMX% 速く行うことができると述べています。

3 つ目は、大手企業が AI を活用した代理モデルから物理学に基づくニューラル ネットの使用まで、エンジニアリングや科学研究に AI を活用したいと考えていることです。周知のとおり、AI の性能はトレーニングに使用したデータによって決まります。そのためには、データを管理する必要があります。

それは誰の問題ですか?

2 年前、当社の製品マネージャーは、Rescale の複数のユーザーが、当社のプラットフォームでシミュレーションを実行する際に、スプレッドシートを使用してアクティビティを追跡していることに気付きました。「何を追跡しているのですか?」と尋ねたところ、ある会話の中で、シミュレーション エンジニアは次のように答えました。「調査中のエンジニアリング問題の解決に役立ったシミュレーション実行を追跡しているだけです。プラットフォームに問題はありません。あなたの問題ではありません。」もちろん、この種のスプレッドシートは時間の経過とともに古くなり、チーム メンバーがこの情報から恩恵を受けることは不可能になります。  

この会話や同様の会話から、私たちはデジタルスレッドの良き一員として、顧客がシミュレーション活動と結果をエンジニアリングの意思決定に結び付けるのを支援するという役割を果たしていないことに気づきました。ある意味で、私たちは ました 私たちの問題、つまり私たちが解決しようと決意した問題です。 

その年の後半にリリースした リソースタグ 以降 カスタムフィールド前者では、ユーザーはシミュレーション アクティビティに任意のラベルを追加することができ、後者では、エンジニアリング リーダーがチームから必要と思われる情報を取得できるようになります。

現在、独自のラベルを使用して作業を追跡したいだけのエンジニア 1 人から、特定のコンポーネントでシミュレーションを実行するたびに正しい部品番号が参照され、主要なシミュレーション結果がカスタム フィールドにプッシュされるように API を活用している大規模な組織まで、さまざまなユース ケースが見られます。これに、強化された求人検索機能 (保存された検索を含む) を組み合わせることで、エンジニアリング チームがエンジニアリング コンピューティングのアクティビティと結果をこれまで以上に簡単に把握できるようになりました。これらのいずれにも、新しい複雑なシステムの実装や、ユーザーがシミュレーションを実行する方法の大幅な変更は必要ありません。

しかし、そこで止まるべきではありません。  

Rescaleはより良い市民になりつつある デジタルスレッド 組織がより機敏かつデータ主導型になるために必要なもの。これまでの進歩をさらに加速させ、さらに大きな効果を生み出すにはどうすればよいでしょうか。

アジャイルなクラウドネイティブアプローチ

シミュレーションのコンテキストと結果を発生時にキャプチャできるのであれば、これらのシミュレーションとそこから得られる洞察に依存するエンジニアや科学者の作業を楽にするために他に何ができるでしょうか。私たちのアプローチは、コンピューティング自動化のためのクラウドベースのコントロール プレーンとしての Rescale が、その経験をデータ自動化にどのように適用できるかを考えることでした。

Rescale Data は、Rescale がクラウド ハイパフォーマンス コンピューティングの企業として最初の 13 年間に構築した基盤に基づいて構築されており、あらゆるクラウド プロバイダーのあらゆるアーキテクチャでのあらゆるシミュレーションの実行を自動化します。

具体的には、Rescale Data の目標は次のとおりです。

• 収集する必要があるデータについて完全な柔軟性を提供する
• シミュレーションアクティビティが発生したときに、すべてのデータをコンテキスト内でキャプチャします。
• キャプチャされたデータが常にアクセス可能でコンテキスト化されていることを保証する
• すべてを自動化する

どのようなデータをキャプチャする必要があるかについて完全な柔軟性を提供する方法については、上で説明しました。コンテキスト内のすべてのデータをキャプチャするために、Rescale に Studies の概念を導入しています。  

再スケール研究 実行されているシミュレーションの目的に合わせて、ユーザーのエクスペリエンスを整理します。調査はプロジェクト内に存在し、調査に関連するジョブ、ワークステーション、およびファイルを含めることができます。ユーザーは調査からシミュレーションを実行するため、すべてのジョブは調査のメタデータを継承し、ユーザーが手動でコンテキストを追加する負担を軽減します。Jira エピックと同様に、調査は社内で共有できるため、組織内の誰もが結果、根拠、調査結果につながった基礎となるシミュレーションを把握できます。

Rescale Data のもう 1 つの重要なコンポーネントは、統合されたデータ レイクハウスです。この機能により、Rescale ジョブから出力されるシミュレーション結果はすべて、自動的にレイクハウスにプッシュされます。これは、スマートフォンで写真を撮影し、クラウドから即座にアクセスして、日付、場所、さらには被写体の名前で検索できるのと似ています。Jupyter ノートブックを使用すると、ユーザーは調査からのすべての調査結果や、特定のコンポーネントをカバーしたすべてのジョブを照会できます。データ レイクハウスは、シミュレーション結果の信頼できる情報源となり、デジタル スレッドで重要な役割を果たします。

最後に、Rescale Dataには、構築への投資も含まれます。 計算パイプライン頻繁に実行されるシミュレーションを自動化することで、 エンジニア シミュレーションを繰り返し実行するのではなく、分析と意思決定に重点を置きます。

シミュレーション データとプロセス管理の経験がある方は、当社が組織が持つ個々のエンジニアリング プロセスのモデリングに注力していないことにお気づきでしょう。当社は、複雑さを最小限に抑えながら、お客様から最も有用であると言われた構成要素のみに注力しています。1) シミュレーションの発生時にそのコンテキストをキャプチャする機能、2) 承認されたすべてのユーザーがデータを照会および分析できるようにする機能、3) シミュレーション データの価値を最大限に引き出せるように柔軟な自動化および分析ツールを提供する機能です。

データユースケースの再スケール

以下は、データ自動化に関するお客様との議論から生まれたユースケースの一部です。Rescale Dataのプライベートベータ版についてさらに詳しく知りたい場合は、サインアップしてください。 こちら、またはRescaleアカウント担当者にお問い合わせください。

統合計画と管理

プロジェクト研究を事前に定義することで、多分野にわたるチームがそれぞれの役割を果たし、緊密に連携して作業できるようになります。このアプローチにより、各研究の進捗状況と各研究で使用されているデータが完全に透明化されます。 

データガバナンス

エンジニアリング リーダーは、シミュレーション エンジニアがジョブを実行する際に、保持したい重要なコンテキスト情報が確実に取得されるようにすることができます。フィールドは、プロジェクトまたは実行中のシミュレーションによって調整でき、データが欠落しないようにするためにも必要になります。データはシミュレーション データ レイクハウスで即座にクエリできるため、データの品質を確保できます。

モデルベースのコラボレーション

熱エンジニアは独自の方法を開発し、熱シミュレーションを実行して、最有力候補の設計を特定します。その後、構造エンジニアはピーク応力解析を実行して、別のデータ レイヤーを追加できます。

デジタルスレッド

エンジニアリング リーダーは、さまざまな分野のシミュレーション エンジニアによる評価に基づいて、いくつかの主要な設計候補で生成されたすべてのデータを確認した後、最終設計を特定します。この決定を調整する必要がある場合、チームは以前に評価した設計を完全に追跡できます。設計決定を修正する前に、さらにデータ レイヤーを追加することもできます。

Workflow Automation

自動車のきしみ音を理解するには、まずブレーキ ローターとパッドの接触を分析し (非線形接触分析)、次に暗黙の振動が何であるかを特定する必要があります (複素周波数抽出)。Rescale では、計算パイプラインによってこれを高度に自動化された繰り返し可能なプロセスにすることができます。

Copilot による AI 支援エンジニアリング

Rescale シミュレーション データ レイクハウスに集約されたシミュレーション データを使用すると、公開規制ガイドラインなどの要件ドキュメントに対して特定のデータセットの大規模言語モデル (LLM) を活用できるようになります。この例では、ACME の自動車エンジニアが LLM を使用して、設計が欧州 NCAP 標準に対してどのように機能するかを評価しています。

AI物理学によるAIエンジニアリング

NVIDIA を搭載した Rescale AI Physics は、今年初めの NVIDIA GTC で発表されました。目標は、現実の物理をモデル化するために利用可能な AI ツールの急速に成長しているエコシステムと、データ基盤として機能するコンピューター シミュレーションをお客様が簡単に組み合わせられるようにすることです。主な機能には、AI Physics メソッド開発のプロセス自動化、および使用されている AI Physics モデルのバージョン管理のためのデータ来歴が含まれます。