Przyszłość inżynierii motoryzacyjnej: jak głębokie uczenie geometryczne zrewolucjonizuje projektowanie pojazdów

Branża motoryzacyjna od lat boryka się z wyzwaniami związanymi z kosztami i czasem potrzebnym na opracowanie nowych komponentów. Tradycyjne metody projektowania wymagają tworzenia drogich prototypów fizycznych i ich testowania, co pochłania znaczne zasoby i wydłuża cykle produkcyjne. W odpowiedzi na te problemy, firma Altair, specjalizująca się w oprogramowaniu inżynierskim, wprowadza innowacyjne rozwiązania oparte na sztucznej inteligencji, które mogą radykalnie zmienić podejście do projektowania pojazdów.

Kluczowym elementem tej rewolucji jest system PhysicsAI, który wykorzystuje głębokie uczenie geometryczne. W przeciwieństwie do tradycyjnych modeli AI, koncentrujących się na przetwarzaniu języka naturalnego, PhysicsAI został wyszkolony na trójwymiarowych danych strukturalnych. Dzięki temu jest w stanie analizować i rozumieć złożone obiekty fizyczne, takie jak komponenty samochodowe czy satelity, a następnie generować ich wirtualne symulacje. Ta zdolność do „rozumienia języka inżynierii” na poziomie geometrycznym otwiera nowe możliwości w zakresie optymalizacji projektów.

Przesunięcie od prototypów fizycznych do wirtualnych testów

Fatma Kocer-Poyraz, wiceprezeska ds. nauki o danych inżynieryjnych w Altair, podkreśla znaczenie tej technologii w kontekście projektowania fizycznych produktów. „Projektujemy niemal wszystko, czego dotykamy” – mówi Kocer-Poyraz. „W przypadku samochodu to nie tylko karoseria, ale każdy element, od ramy pomocniczej po grubość i krzywiznę części, materiał, z którego jest wykonana, i sposób jej produkcji. Każda decyzja ma znaczenie.”

Tradycyjne procesy inżynieryjne w dużej mierze opierają się na kosztownych prototypach fizycznych. Testowanie takich prototypów, na przykład symulacja zderzenia pojazdu, często oznacza zniszczenie testowanego obiektu, uniemożliwiając jego ponowne wykorzystanie. PhysicsAI pozwala na przeniesienie tych testów do środowiska wirtualnego. System umożliwia szybkie uruchamianie symulacji, co pozwala na wielokrotne iteracje projektu zanim produkt trafi do finalnej fazy prototypowania fizycznego. „Nasza praca polega na przechodzeniu od testów fizycznych do wirtualnych” – wyjaśnia Kocer-Poyraz.

Wykorzystanie danych historycznych i generatywne podejście

Innym istotnym aspektem innowacji Altair jest zdolność do efektywnego wykorzystywania historycznych danych symulacyjnych. W przeszłości, w inżynierii, było to trudne ze względu na złożoność reprezentacji geometrii 3D w sposób zrozumiały dla algorytmów uczenia maszynowego. „Naszym celem było wyszkolenie algorytmu uczenia maszynowego w języku inżynierii. Okazało się, że głębokie uczenie geometryczne było odpowiedzią. Pozwoliło nam stworzyć AI, które rozumie zarówno kształt 3D, jak i dane dotyczące wydajności” – dodaje Kocer-Poyraz.

Technology Altair znalazła zastosowanie w różnych sektorach, w tym w elektronice, lotnictwie i przemyśle ciężkim, choć największe zainteresowanie budzi w branży motoryzacyjnej. Przykładem jest Magna, producent części samochodowych z listy Fortune 500, który już wykorzystuje PhysicsAI do optymalizacji komponentów.

Altair idzie o krok dalej i przygotowuje się do wprowadzenia rozszerzenia opartego na modelu dyfuzyjnym. Będzie on nie tylko przewidywał wydajność, ale także generował nowe koncepcje projektowe od podstaw. „Możliwość przewidzenia wydajności projektu jest niesamowita, ale teraz zastanawiamy się, jak to w rzeczywistości pomoże w optymalizacji procesu projektowania” – mówi Kocer-Poyraz. „Wyobraźmy sobie, że można powiedzieć: 'Daj mi 500 koncepcji projektowych’, a sztuczna inteligencja je dostarcza. Następnie wybieramy 20 najlepszych do dalszego dopracowania. To zmieni wszystko.”

Kocer-Poyraz podkreśla również kluczową rolę dyscypliny danych dla firm chcących wykorzystać te technologie: „Aby skutecznie wykorzystać te technologie, każda organizacja musi mieć kulturę przechwytywania, przechowywania i organizowania danych symulacyjnych.” Bez odpowiedniego zarządzania danymi nawet najbardziej zaawansowane narzędzia AI nie przyniosą oczekiwanych rezultatów.