ยานอวกาศ

การวิจัยของ Dr. Zohaib Hasnain แสดงให้เห็นว่าเทคนิคที่ขับเคลื่อนด้วยข้อมูลที่ใช้ในระบบอัตโนมัติมีศักยภาพในการแก้ปัญหาการสร้างแบบจำลองที่ซับซ้อนเหล่านี้ได้อย่างถูกต้องและมีประสิทธิภาพมากขึ้น การนำปัญญาประดิษฐ์ที่มีประสิทธิภาพสูงมาใช้กับกระบวนการทางฟิสิกส์ เขามีจุดมุ่งหมายเพื่อทำให้การสร้างแบบจำลอง "อัตโนมัติ" ลดเวลาที่ใช้ในการผลิตโซลูชันและลดต้นทุนการผลิต Hasnain กล่าวว่า "ถ้าฉันกำลังพยายามดำเนินการบางอย่างตามแนวทาง เช่น การออกแบบดินสอ มีกระบวนการที่เกี่ยวข้องในการออกแบบดินสอนั้น" "ฉันมีชุดของขั้นตอนบางอย่างที่ฉันจะดำเนินการตามความรู้ที่ฉันมีโดยอิงจากสิ่งที่คนอื่นเคยทำในอดีต สิ่งใดก็ตามที่สามารถอธิบายได้ด้วยกระบวนการหรืออัลกอริทึมบนกระดาษสามารถทำให้เป็นอัตโนมัติและวิเคราะห์ได้ใน บริบทของระบบปกครองตนเอง” ผู้ช่วยศาสตราจารย์ในภาควิชาวิศวกรรมเครื่องกลของ J. Mike Walker '66 Hasnain ตระหนักในขณะที่ทำงานในอุตสาหกรรมการบินและอวกาศ ความล่าช้าในโครงการเนื่องจากความพยายามในการสร้างแบบจำลอง ในขณะที่ทำกระบวนการสร้างแบบจำลองแบบดั้งเดิม นักวิทยาศาสตร์และนักวิจัยจะต้องสร้างแบบจำลองต่างๆ ซึ่งหลายๆ แบบต้องมีการทดสอบ นอกจากนี้ การยื่นแบบแต่ละรุ่นใช้เวลานานเกินไปในการให้คำตอบ ตัวอย่างของการสร้างแบบจำลองแบบดั้งเดิมสำหรับระบบอวกาศคือ พลวัตของของไหลในคอมพิวเตอร์ หรือ CFD ซึ่งใช้การวิเคราะห์เชิงตัวเลขเพื่อระบุวิธีแก้ปัญหา ส่งผลให้มีค่าใช้จ่ายสูงในการคำนวณและแรงงานคนในการตรวจสอบ "ฉันคิดเสมอว่ามีงานที่ต้องตัดออก ยานอวกาศ เพราะมีระบบอัตโนมัติและเครื่องจักรที่ดูเหมือนจะสามารถจัดการกับปัญหาคอขวดที่กำลังสร้างแบบจำลองได้" Hasnain กล่าว "การวิจัยของฉันเป็นขั้นตอนแรกในการทำความเข้าใจว่าเทคนิคที่ขับเคลื่อนด้วยข้อมูลมีประโยชน์อย่างไรและเมื่อใด โดยมีเป้าหมายสูงสุดในการใช้กระบวนการที่ใช้เวลาหลายเดือนหรือหลายสัปดาห์ในการแก้ปัญหา และสร้างโซลูชันในไม่กี่ชั่วโมงหรือเป็นวัน" Hasnain พร้อมด้วยผู้ช่วยศาสตราจารย์ Dr. Vinayak R. Krishnamurthy และผู้ช่วยวิจัยระดับบัณฑิตศึกษา Kaustubh Tangsali ได้ทำการศึกษาเพื่อทำความเข้าใจว่าสถาปัตยกรรมการเรียนรู้ของเครื่องที่ใช้กันทั่วไป เช่น เครือข่ายประสาทเทียม (CNN) และเครือข่ายประสาทแจ้งทางฟิสิกส์ (PINN) เป็นอย่างไรเมื่อนำไปใช้ ต่อปัญหาการทำนายของไหล แนวทางที่ขับเคลื่อนด้วยข้อมูลใช้ฐานข้อมูลการสร้างแบบจำลองที่มีอยู่แล้วในการฝึกแบบจำลองเหนือความผันแปรที่ควบคุมอย่างระมัดระวังในฟิสิกส์พื้นฐานของของไหล รวมถึงรูปทรงเรขาคณิตที่ของไหลไหลผ่าน จากนั้นแบบจำลองจะใช้ในการทำนาย การวิจัยของพวกเขาพบว่าทั้ง CNN และ PINN มีศักยภาพในการเพิ่มประสิทธิภาพกระบวนการสร้างแบบจำลอง หากกำหนดเป้าหมายเฉพาะด้านของกระบวนการแก้ปัญหา "เรากำลังดูชุดเครื่องมืออื่นที่จะมาแทนที่เครื่องมือเก่า" Hasnain กล่าว "เรากำลังพยายามทำความเข้าใจว่าเครื่องมือใหม่เหล่านี้ทำงานอย่างไรในบริบทของแอปพลิเคชันที่ควบคุมโดยเทคนิคการแก้ปัญหาตามหลักการแรก" นักวิจัยได้เผยแพร่การค้นพบของพวกเขาในJournal of Mechanical Design บทความของพวกเขา "ความสามารถทั่วไปของเครือข่ายตัวเข้ารหัส-ตัวถอดรหัส Convolutional สำหรับการทำนายฟิลด์การไหลของแอโรไดนามิกทั่วทั้งความผันแปรทางเรขาคณิตและทางกายภาพ-ของไหล" มุ่งเน้นไปที่การทำความเข้าใจเครื่องมือมิติที่มีศักยภาพในการแทนที่เครื่องมือสร้างแบบจำลองที่เป็นมาตรฐานอุตสาหกรรมในปัจจุบัน จากผลการวิจัย Hasnain หวังที่จะสร้างโครงสร้างพื้นฐานอัตโนมัติที่ดึงข้อมูลจากชุดข้อมูลเพื่อสร้างโซลูชันการสร้างแบบจำลองผ่านสถาปัตยกรรมการเรียนรู้ด้วยเครื่องแบบผสมผสาน ด้วยอัลกอริธึมและข้อมูลที่มีอยู่แล้ว โครงสร้างพื้นฐานจะเป็นกระบวนการสร้างแบบจำลองที่สามารถนำไปใช้กับระบบต่างๆ ในแอปพลิเคชันในชีวิตจริงได้ ในที่สุด เขาวางแผนที่จะแบ่งปันโครงสร้างพื้นฐานนี้เพื่อการใช้งานที่กว้างขวางและฟรี "ฉันต้องการให้โครงสร้างพื้นฐานนี้เป็นความคิดริเริ่มของชุมชนที่มอบให้ฟรีสำหรับทุกคน" Hasnain กล่าว "บางทีอาจสำคัญกว่านั้น เนื่องจากสามารถผลิตโซลูชันที่ใกล้เคียงกับความต้องการได้ ซึ่งตรงข้ามกับการสร้างแบบจำลองที่ทันสมัยในปัจจุบัน ซึ่งใช้เวลานานมาก" โครงสร้างพื้นฐานอยู่ในช่วงเริ่มต้นของการพัฒนา Hasnain และเพื่อนนักวิจัยของเขากำลังทำงานเพื่อสร้างต้นแบบในอนาคตอันใกล้นี้