Деловой, научно-технический журнал

Применение генеративного ИИ в промышленности ускоряет выпуск новых продуктов

На прошедшей дизайн‑сессии «GenAI в инжиниринге и промышленном дизайне» специалисты АО «Моделирование и цифровые двойники» рассказали о применении генеративного ИИ для создания новых материалов, а также про его внедрение в CAE-системы.

Сегодня существует ряд глобальных проблем внедрения новых CAE-решений, среди которых:

  • Высокие требования к квалификации пользователей;
  • Низкая скорость расчетов;
  • Сложные интерфейсы CAE-систем.

Развитие GPT-технологий помогает решить эти проблемы за счет внедрения генеративного искусственного интеллекта в CAE-системы. 

Пользователям CAE-систем необходимо настраивать различные параметры для проведения расчетов, которые повлияют на итоговый результат. На этом этапе приходится работать с большим количеством параметров, поэтому можно легко допустить серьезную ошибку. CAE GPT помогает пользователям подбирать необходимые параметры, а также искать ошибки и рекомендовать наиболее эффективные способы для их решения. CAE GPT внедряется в виде плагинов, которые подбирают параметры расчетов, автоматически строят сетки, а также исправляют ошибки пользователя. Это снижает порог входа для специалистов и содействует им в принятии оптимальных решений в процессе работы.

Также CAE GPT способен ускорить проведение расчетов с помощью предсказания результатов на основе синтетических данных. Это новый подход применения генеративного ИИ, который заменяет сложные расчеты с помощью уравнений на обучение нейросетей. Точность предсказаний зависит от количества и качества данных, которые использовались для обучения. Такой способ применяется для прогнозирования поведения новых конструкций и уже тестируется на крупных промышленных предприятиях.

Помимо этого, CAE GPT позволяет реализовать функцию виртуального помощника, с которым можно вступать в диалог при работе с CAE-системами. Этот способ помогает перейти с использования языков программирования к более привычному общению между пользователем и программой. CAE GPT ищет ответы на запросы пользователей в разрозненных базах данных и выдает более конкретную информацию под требуемые задачи.

 «Российские разработчики CAE-систем уже сегодня должны начать разработку пилотных проектов по внедрению CAE GPT на промышленных предприятиях. Это поможет отечественным CAE-системам соответствовать мировым трендам и решать более сложные задачи с помощью ИИ, который сделает работу инженеров более продуктивной и комфортной», – комментирует Алексей Сбойчаков, директор по продажам и развитию бизнеса ПО для численного моделирования и услуги, АО «Моделирование и цифровые двойники».

Специалисты также рассказали про разработку новых материалов с помощью генеративного искусственного интеллекта. Эта технология способна ускорить работу над материалами, которые традиционным методом создаются годами. Концепция ICME с парадигмой связей «процесс-структура-свойство» (ПСС) играет центральную роль в сборе и хранении знаний о ценных материалах. В связке с генеративным ИИ это подразумевает создание материалов под конкретные задачи и детали конструкции.

Создание материалов с определенными свойствами под конкретные задачи имеет несколько реализаций:

  • Использование машинного обучения для создания композиционных материалов. На основе ICME ведется оценка и прогнозирование свойств композиционных материалов. С помощью большого массива данных искусственный интеллект создает предсказательную модель различных материалов, которые можно будет использовать под требуемые задачи.
  • Использование машинного обучения в прогнозировании свойств материалов. Исходя из задач и целей детали в конструкции, ИИ может давать прогнозы по необходимым свойствам материала. Зная свойства, можно определить, какой материал подойдет для решения поставленной задачи.
  • Прогнозирование новых материалов с помощью кристаллической структуры. Существует много вариантов кристаллической структуры материалов. Большое количество данных по структуре доступно в открытых источниках, а также локально внутри компаний. Машинное обучение позволяет перебрать массивы данных и подобрать оптимальную кристаллическую структуру материала для решения требуемых задач.
  • Прогнозирование новых материалов по составу. ИИ может перебирать данные по составу материалов. Модель прогнозирования определяет вероятность образования составами определенной структуры. Этот способ увеличивает шансы открытия нового соединения.

Все эти подходы с применением искусственного интеллекта развиваются и внедряются на предприятиях как вспомогательные инструменты, которые эффективно решают локальные задачи. Они помогут улучшить характеристики производимых изделий и ускорить запуск новых продуктов.

Наши партнёры

 

 

 

 

 

 

 

 

 

 

  

  

  

 

User login