수십 년에 달하는 항공우주 엔지니어링을 단 몇 시간으로 가속화하는 AI와 머신러닝

R&D용 AI/ML은 초임계 익형 설계와 같은 발견을 대폭 가속화할 수 있습니다.

인공지능과 머신러닝 시대의 연구개발

과학혁명이 시작된 이후 신기술의 연구와 개발은 거의 전적으로 지속적인 실험과 관찰을 통해 이루어졌습니다. 전화부터 의약품까지 우리의 일상생활에 영향을 미치는 기술은 오늘날의 정교하게 조정된 버전의 조잡한 버전에서 시작되었습니다. 엔지니어, 과학자, 연구원은 가설을 세우고, 테스트 조건을 관찰하고, 결과를 반복적으로 측정하는 길고 반복적인 R&D 주기에 묶여 있습니다. 지금까지. AI 기반 R&D는 이미 다음과 같은 심오한 발견으로 인정을 받았습니다. 특수 항생제 그리고 그것은 우리가 발명하는 방식을 계속해서 재창조할 것입니다.

R&D의 규칙은 인공 지능, 머신 러닝/딥 러닝, 시뮬레이션, 모델링과 같은 기능을 갖춘 혁신가에 의해 다시 작성되고 있습니다. AI/ML이 출현하기 오래 전에 R&D 팀은 안전성 향상(예: 차량 충돌 테스트) 및 비용 절감(예: 건물 안정성 테스트) 등 다양한 이유로 시뮬레이션과 디지털 모델링을 채택했습니다. 컴퓨터 지원 설계(예: 청사진 및 3D 모델) 및 최신 컴퓨터 지원 엔지니어링(예: 물리 및 화학 시뮬레이션)과 같은 추세는 차세대 기술의 길을 열었습니다. 계산 과학 및 공학 새로운 기술을 활용한 AI 엔지니어링 와 디지털 쌍둥이 새로운 혁신을 위해. 

R&D에 AI와 ML이 중요한 이유는 무엇입니까? 일부에서는 전반적인 R&D 혁신 속도가 둔화되고 있다고 주장합니다(세계 은행), 다른 사람들은 업계 최대의 문제를 해결한다고 주장합니다. AI 피직스 문제가 더 어려워지거나 덜 매력적으로 변했습니다(MIT 검토). 두 경우 모두 연구자, 엔지니어, 과학자는 혁신을 가속화하고 가능성을 넓히는 새로운 발견 접근 방식을 개발해야 합니다. 

기존 항공우주 설계에서 AI/ML 지원 설계로 전환

지속적인 엔지니어링 최적화의 가장 상징적인 이야기 중 하나는 날개 모양 설계와 초임계 익형의 발견에서 볼 수 있는 현대 비행입니다. 40년 넘게 항공우주 엔지니어들은 익형으로 알려진 날개의 단면 모양을 개선하기 위해 노력해 왔습니다. 이상적인 익형 모양은 공기 저항과 난류를 최소화하는 동시에 양력을 최대화합니다. XNUMX년간의 연구 개발 끝에 제트 엔진 덕분에 비행기는 훨씬 더 빨라졌지만, 특히 선구자들이 음속에 접근하면서 속도가 빨라지면 불안정해졌습니다. 공기 역학자들은 상업용 항공기부터 군용 항공기까지 광범위한 항공기에 통합되어 안전성과 효율성을 대폭 향상시킨 초임계 설계에 도달할 때까지 지속적으로 익형 설계를 반복했습니다. 

초임계 익형의 발견은 풍동(1930년대 이후)과 같은 물리적 도구와 결국 디지털 도구에 의존하여 발견하는 데 수십 년이 걸렸습니다. 전산유체역학(CFD) (1970년대 이후) – 두 가지 접근 방식 모두 고도로 반복적이고 점진적인 이득만 가져옵니다. 이는 다음과 같은 질문을 던집니다. 디지털 프로토타이핑 및 인공 지능과 같은 기술과 결합된 오늘날의 물리학에 대한 이해를 통해 우리는 이전보다 훨씬 빠르게 혁신적인 발견을 달성할 수 있을까요? 대답은 아마도, 예! 

머신러닝과 딥 러닝, 물리 기반 신경망, 대리 모델 등 AI와 관련 기술은 초임계 익형과 같은 복잡한 설계 문제를 해결할 수 있는 엄청난 잠재력을 보여줍니다. 엔지니어는 계산 방법을 사용하여 사실상 무제한의 설계 후보를 생성하고 이를 광범위한 실제 조건에 대해 테스트한 후 최적의 설계를 선택할 수 있습니다. 최근 수십 년 동안 항공우주 엔지니어들은 점점 더 빨라지고 있지만 여전히 시간 집약적인 CFD 소프트웨어와 병렬 컴퓨팅에 의존하여 이 새로운 범주의 AI 지원 접근 방식에 관심을 돌리고 있습니다. 

ML과 Rescale의 대리 모델을 사용하여 최적의 익형 설계 발견

공기 역학자가 익형 형상을 설계하고 최적화하는 방법을 설명하기 위해 우리는 다음을 조립했습니다. 지도 시간 이는 기존 접근 방식보다 훨씬 빠르게 초임계 익형 설계를 생성합니다. AI/ML 배포를 시작하려면 R&D 팀에 다양한 도구 세트가 필요하므로 Rescale은 시작하기 위한 완전한 스택과 간단한 워크플로를 갖춘 플랫폼을 구축했습니다. CFD와 같은 표준 컴퓨터 지원 엔지니어링(CAE) 방법과 유사합니다. 유한요소해석(FEA), 엔지니어는 사용 사례별 소프트웨어 및 특수 하드웨어(예: CPU, GPU, 스토리지, 네트워킹, 메모리)에 액세스해야 합니다. 

특정 하드웨어 및 소프트웨어 외에도 AI 접근 방식은 훈련 모델을 위한 다양한 프레임워크와 대규모 데이터 세트에 의존하며, 이 모든 것이 Rescale이 하나의 플랫폼에 통합되어 있습니다. 이 특정 사용 사례에서 사용자는 가능한 익형 형상의 기존 데이터 세트와 다분야 분석을 위한 오픈 소스 프레임워크인 MDAO를 활용하여 공기 역학적 형상 최적화를 수행할 수 있습니다.  

이 프로젝트에서는 적용된 ML 기술을 사용하여 Rescale 플랫폼에서 CFD 시뮬레이션 및 최적화 프로세스를 가속화했습니다. 먼저, 대규모 익형 데이터베이스의 차원을 줄이기 위해 주성분 분석(PCA)을 적용했습니다. 그런 다음 훈련 데이터 생성에 필요한 고충실도 시뮬레이션의 수렴을 가속화하기 위해 저충실도 흐름장 예측을 생성하는 PCA 기반 축소 차수 모델을 구축했습니다. 마지막으로, 완전히 생성된 훈련 데이터를 기반으로 우리는 주어진 제약 조건에서 기본 익형의 항력을 최소화하기 위해 신속한 최적화 루프에 사용되는 가우스 프로세스 기반 대리 모델을 구축했습니다. 

각각의 고충실도 사례를 실행하는 데는 초기 조건에서 시작할 때 약 50초(8개 코어/샘플)가 걸리고, 예측된 흐름장에서 시작할 때 4초(8개 코어/샘플)가 소요됩니다. 훈련 데이터가 단순하게 생성되는 경우, 즉 중간 대리 모델을 사용하여 중간 가속 없이 전체 데이터 세트를 생성하는 데 약 17시간이 소요됩니다. 그러나 중간 가속을 사용하여 중간 예측으로 대부분의 고충실도 시뮬레이션을 초기화하는 경우 데이터 생성에는 2시간밖에 걸리지 않습니다. 대리 모델을 훈련하는 데 걸리는 시간은 훈련 데이터 생성에 비해 무시할 수 있습니다. 최종 대리 모델을 훈련하는 데 필요한 데이터를 생성하는 데 몇 시간이 걸립니다. 그러나 일단 훈련되면 모델은 XNUMX초 이내에 충분히 정확한 예측을 생성합니다. 결과적으로, 훈련 데이터 생성의 초기 비용은 다양한 제약 조건과 목표를 가진 다중 최적화가 포함될 수 있는 후속 최적화 연구 중에 크게 상각됩니다.    

결론

기존 CAE와 ML 설계 방법의 비교에서 우리는 대리 모델을 사용하여 고충실도 시뮬레이션을 지원하거나 대체하면 설계 및 최적화 연구를 크게 가속화하고 고충실도 시뮬레이션을 반복하지 않고도 제약 조건이나 목표를 동적으로 변경할 수 있음을 보여주었습니다. 각 연구. ML 방법을 사용하면 속도가 약 8배 더 빨라졌습니다. 이에 대해 더 자세히 알아보거나 직접 사용해 보고 싶으시면 당사를 확인해 보세요. 여기에 요약 비디오가 포함된 가이드 튜토리얼. 다른 산업 및 사용 사례에 배포할 수 있는 AI/ML 기술에 관심이 있다면 다음을 수행할 수 있습니다. 우리와 여기서 연락을 취하십시오.. 우리는 새로운 R&D 접근 방식을 지속적으로 테스트하고 그 결과 새로운 발견을 하는 많은 선구적인 고객을 지원하게 된 것을 기쁘게 생각합니다.