人工知能と機械学習が数十年にわたる航空宇宙工学をわずか数時間に短縮する方法

研究開発用の AI/ML は、超臨界翼型設計のような発見を大幅に加速できます

人工知能・機械学習時代の研究開発

科学革命の黎明以来、新技術の研究開発はほぼすべて継続的な実験と観察によって行われてきました。 電話から医薬品に至るまで、私たちの日常生活に影響を与えるテクノロジーは、今日の微調整されたバージョンの粗雑なバージョンとして始まりました。 エンジニア、科学者、研究者は、仮説を立て、テスト条件を観察し、結果を繰り返し測定するという、長期にわたる反復的な研究開発サイクルに拘束されてきました。 今まで。 AI を活用した研究開発は、次のような深遠な発見ですでに評価されています。 特殊な抗生物質 そして私たちが発明する方法を再発明し続けるでしょう。

研究開発のルールは、人工知能、機械学習/深層学習、シミュレーション、モデリングなどの機能を備えたイノベーターによって書き換えられています。 AI/ML が登場するずっと前から、安全性の向上 (車両衝突試験など) やコスト削減 (建物の安定性試験など) などのさまざまな理由から、シミュレーションとデジタル モデリングが研究開発チームによって採用されていました。 コンピューター支援設計 (青写真や 3D モデルなど) やその後のコンピューター支援エンジニアリング (物理学や化学シミュレーションなど) のようなトレンドは、新世代のテクノロジーへの道を切り開きました。 計算科学と計算工学 新しいテクノロジーを活用して、 AIエンジニアリング & デジタル双子 新しいイノベーションのために。 

研究開発において AI と ML が重要なのはなぜですか? 研究開発イノベーションの全体的なペースが鈍化していると主張する人もいます（世界銀行）、業界最大の解決策であると主張する人もいます AIの物理学 問題が難しくなった、あるいは魅力が薄れた（MITレビュー）。 いずれの場合でも、研究者、エンジニア、科学者は、イノベーションを加速し可能性を広げる新しい発見アプローチを開発する必要があります。 

従来の航空宇宙設計から AI/ML 対応設計への移行

継続的なエンジニアリング最適化の最も象徴的なストーリーの 40 つは、翼の形状設計と超臨界翼の発見に見られるような現代の飛行です。 航空宇宙技術者は XNUMX 世紀以上にわたり、翼形と呼ばれる翼の断面形状の改善に取り組んできました。 理想的な翼形形状により、空気抵抗と乱流を最小限に抑えながら揚力を最大化します。 XNUMX 年間の研究開発を経て、ジェット エンジンのおかげで飛行機は大幅に速くなりましたが、特に先駆者たちが音速に近づいたとき、高速は不安定性をもたらしました。 空気力学者は翼型の設計を繰り返し、最終的に超臨界設計に到達しました。この設計は商用機から軍用機まで幅広い航空機に組み込まれ、安全性と効率性が大幅に向上しました。 

超臨界翼の発見には数十年かかり、風洞などの物理的ツール（1930 年代以降）、そして最終的にはデジタルツールに依存しました。 計算流体力学 (CFD) (1970 年代以降) – どちらのアプローチも反復性が高く、漸進的な利益しか得られません。 ここで疑問が生じます。今日の物理学の理解と、デジタル プロトタイピングや人工知能などのテクノロジーを組み合わせれば、これまでよりもはるかに早く革新的な発見を達成できるでしょうか? 答えはおそらく、 はい！ 

AI と、機械学習や深層学習、物理学に基づいたニューラル ネットワーク、サロゲート モデルなどの関連テクノロジーは、超臨界翼のような複雑な設計問題を解決するための計り知れない可能性を示しています。 エンジニアは計算手法を使用して、事実上無制限の設計候補を生成し、現実世界の幅広い条件に対してテストして、最適な設計を選択することができます。 ここ数十年、航空宇宙エンジニアは CFD ソフトウェアと並列コンピューティングに依存してきましたが、これらは高速化し続けていますが、依然として時間がかかるため、この新しいカテゴリの AI 対応アプローチに注目が集まっています。 

Rescale の ML とサロゲート モデルを使用して最適な翼型設計を発見する

空気力学者が翼の形状の設計と最適化をどのように開始できるかを説明するために、次の図を作成しました。 チュートリアル 従来のアプローチよりもはるかに高速に超臨界翼設計を実現します。 AI/ML の導入を開始するには、研究開発チームがさまざまなツールセットを必要とするため、Rescale は、開始するための完全なスタックとシンプルなワークフローを備えたプラットフォームを構築しました。 CFD や CFD などの標準的なコンピュータ支援エンジニアリング (CAE) 手法と同様 有限要素解析 (FEA)、エンジニアは、ユースケース固有のソフトウェアと特殊なハードウェア (CPU、GPU、ストレージ、ネットワーキング、メモリなど) にアクセスする必要があります。 

AI アプローチは、特定のハードウェアとソフトウェアに加えて、モデルをトレーニングするためのさまざまなフレームワークと大規模なデータセットに依存しており、Rescale はそれらすべてを XNUMX つのプラットフォームにまとめています。 この特定の使用例では、ユーザーは考えられる翼型形状の既存のデータセットと学際的解析用のオープンソース フレームワーク MDAO を活用して、空力形状の最適化を実行できます。  

このプロジェクトでは、応用 ML 技術を使用して、Rescale プラットフォームでの CFD シミュレーションと最適化プロセスを高速化しました。 まず、主成分分析 (PCA) を適用して、大規模な翼型データベースの次元を削減しました。 次に、PCA ベースの低次数モデルを構築して低忠実度の流れ場予測を生成し、トレーニング データ生成に必要な高忠実度シミュレーションの収束を加速しました。 最後に、この完全に生成されたトレーニング データに基づいて、与えられた制約の下でベースライン翼の抗力を最小限に抑えるための高速最適化ループに使用されるガウス プロセス ベースの代理モデルを構築しました。 

各高忠実度ケースの実行には、初期条件から開始した場合は約 50 秒 (8 コア/サンプル)、予測された流れ場から開始した場合は 4 秒 (8 コア/サンプル) かかります。 トレーニング データが単純に生成される場合、つまり中間サロゲート モデルを使用して中間加速を行わない場合、データセット全体の生成には約 17 時間かかります。 ただし、中間のアクセラレーションを使用して高忠実度シミュレーションの大部分を中間予測で初期化すると、データ生成にかかる時間はわずか 2 時間になります。 サロゲート モデルのトレーニングにかかる​​時間は、トレーニング データの生成に比べて無視できます。 最終的なサロゲート モデルのトレーニングに必要なデータを生成するには、数時間かかります。 しかし、一度トレーニングされると、モデルは十分に正確な予測をそれぞれ XNUMX 秒以内に生成します。 その結果、トレーニング データ生成の前倒しコストは、異なる制約や目的を持つ複数の最適化が含まれる可能性があるその後の最適化スタディ中に大幅に償却されます。    

まとめ

従来の CAE 設計手法と ML 設計手法の比較では、サロゲート モデルを使用して高忠実度シミュレーションを支援または置き換えることで、設計と最適化の検討が大幅に加速され、高忠実度シミュレーションを繰り返すことなく制約や目的を動的に変更できることを実証しました。それぞれの勉強。 ML方式では約8倍高速化しました。 これについてさらに詳しく知りたい場合、または自分で試してみたい場合は、こちらをご覧ください。 概要ビデオ付きのガイド付きチュートリアルはこちら。 他の業界やユースケースに導入できる AI/ML テクニックに興味がある場合は、 ここに私達と連絡をとる。 私たちは、多くの先駆的なお客様が新しい研究開発アプローチを継続的にテストし、その結果新たな発見を行えるようサポートできることをうれしく思います。