账号:
密码:
智动化 / 文章 /

工程师工具箱内的秘密武器:AI与模拟的交集
[作者 Seth DeLand]   2022年06月26日 星期日 浏览人次: [1033]

随着科技复杂度逐渐增加,工程师开始寻求新方法来开发更有效的AI模型,本文将探索AI与模拟的结合如何帮助工程师解决时间、模型可靠度、资料品质等诸多挑战。


随着现今科技复杂度的增加,人工智慧(artificial intelligence;AI)的能力和涉及范围也不断在扩大。因此,工程师在被交付任务要将AI整合於系统之中时将面临新的挑战。这些复杂性的一部分,源自於使用在模型训练的资料几??可决定AI模型效果的认知?如果资料不足、不够精确、或者存在偏差,模型的计算结果就会受到影响。


以较高的层级来说,AI与模拟有三种主要的合流方法。


一、与解决资料不足的挑战有关,因为模拟模型可以被使用来合成可能难以收集、或收集成本昂贵的资料。


二、将AI模型作为计算起来复杂且昂贵的高度逼真模拟的近似值,也被称为降阶建模(reduced-order modelling)。


三、在如控制、讯号处理、嵌入式视觉等应用的嵌入式系统上使用AI模型,模拟已成为这类系统设计流程当中关键的一环。


工程师开始找到新的方法来开发更有效的AI模型,本文将探索模拟与AI的结合可如何帮助工程师解决时间、模型可靠度、资料品质等挑战。


挑战1 使用於训练和检验AI模型的资料

收集真实世界资料和建立良好、乾净且经过分类的资料的过程相当艰难,还需要耗费大量时间。工程师也必须留意大部分AI模型属於静态的事实(模型是使用固定的叁数值来执行),虽然模型持续地暴露在新的资料下,但这些资料却不见得会被纳入训练资料集之中。


如果没有健全的资料来协助训练模型,专案失败的可能性便提高,因此资料准备成为AI工作流程中一项至关重要的步骤。「不好的」资料可能让工程师花费好几个小时尝试找出模型未正常运作的原因,而且还不保证能够得到具有实质意义的结果。


模拟可以协助工程师克服这些挑战。在最近几年,以资料为中心的AI将AI社群的焦点转向训练资料的重要性。与其将一项专案全部的时间投注在烦恼AI模型的架构和叁数,证据显示把时间花在改善训练资料,通常可以为模型精确度带来更大的改善。


使用模拟来扩充现有的训练资料有许多好处,包括:


冘 计算模拟通常比物理实验的成本降低许多


冘 工程师对於环境能够完全的掌控,并且可以模拟在现实世界中难以建立或太危险的场景


冘 模拟提供了一条途径来窥探难以透过设置实验来测量的内部状态,这在为AI模型特定情况下的表现不隹进行除错时有很大的用处


当模型的表现高度取决於训练资料的品质,工程师可以透过几种流程迭代来改善结果,包含模拟资料、更新AI模型、观察在哪一些条件下模型预测结果不隹,并且为那些条件收集更多模拟资料等。


透过Simulink和Simscape等商用工具,工程师可以产生反映了真实世界情境的模拟资料。Simulink 和 MATLAB 的结合,使得工程师能够以和进行AI模型建立的相同环境来模拟他们的资料,这代表他们可以将更多的流程自动化,而不必担心工具链的切换。


挑战2 透过AI取得复杂系统的近似值

在设计像是控制液压阀的演算法等需与实体物理系统互动的演算法时,以模拟为基础的系统模型是促成演算法的快速设计迭代的要件。


在控制领域,这类通称为「受控体模型(plant model)」的模型,在无线领域可能被称作「通道模型」,在强化学习(reinforcement learning)领域被称为「环境模型」。不论是哪一种称呼,其中的概念是共通的:建立一个以模拟为基础的模型,它可以提供必要的精确性,再次建立和演算法互动的物理系统。


这种方法有一个难题,就是要达到工程师一直以来依据第一原理建立的高度逼真模型的「必要的精确性」。若是在复杂的系统,可能会需要花费相当可观的时间,来建立和模拟以达到如此的精确性。执行冗长的模拟,也有可能会压缩到设计迭代的次数,意味着没有充裕的时间来评估其他或许更合适的设计替代方案。


AI在此时出现了,工程师可以采用他们已经建立好的高度逼真物理系统模型,并且透过AI模型(一个降阶模型)来取得近似值。在其他的情况,他们可能只需要从实验资料训练AI模型,完全略过建立以物理为基础的模型。


这麽做的好处是,降阶模型计算起来比第一原理模型经济许多,代表工程师可以执行更多的设计空间探索。而且若是真的已经有现成的以物理为基础的模型,工程师还可以在流程的後期随时使用该模型来检验以AI模型进行判定的设计。


比如神经微分方程(Neural Ordinary Differential Equations)等近期AI领域的进展,即结合了AI训练技巧与嵌入了以物理原理为基础的模型。当工程师希??保留物理系统的特定部分,又希??以更接近资料中心的方法所取得的近似值,来组成系统的其馀部分时,这类模型就可以给予很大的帮助。


挑战3 AI於演算法开发

开发如控制系统等应用的工程师在设计演算法时,对於模拟的依赖程度越来越高。有许多情况下,这些工程师开发虚拟的感测器、以及试图计算无法直接透过感测器量测来取得数值的观测器。使用的方法有好几种,包含线性模型(linear models)和卡尔曼滤波器(Kalman filters)。


但是这些方法在真实世界系统捕捉非线性行为的能力展现相当有限,工程师因此转而采取以AI为基础的方法,以更灵活地建立这些复杂的模型。他们使用测量或模拟而来的资料,训练一个能够从已观测到的状态预测尚未观察到的状态的AI模型,然後再将该AI模型与系统整合。


在这个案例,AI模型属於控制演算法的一部分,之後会被放在实际硬体上执行。这个硬体的性能/记忆体可能有某种程度的限制,通常需要使用 C/C++ 等较低阶的语言来进行编程。这些要求可能会限制某些应用所适合的机器学习模型种类时的选择,因此工程师可能需要尝试多种模型,并且比较准确度和实际运行在装置上的表现来做权衡。


在这项领域研究的最前端,可透过强化学习使这种方式再更进一步。强化学习所学习的不只是估计器,而是学习整个控制策略。在像是机器人和自主系统等一些具有挑战性的应用中,强化学习是一项已被证明认可的强大技术,但建立这样的模型需要有一个精确的环境模型,这类的环境模型、以及运行大量模拟的计算能力,可能并不容易从现有资源取得。


除了虚拟的感测器和强化学习,AI演算法使用在嵌入式视觉、音讯和讯号处理、以及无线通讯应用的情况也愈来愈多。举例来说,在配备自动驾驶功能的车辆中,AI演算法可以侦测路面上的车道标线来帮助车子维持在车道中间位置。


在助听装置,AI演算法可以协助加强说话声音并且抑制杂讯。在无线通讯应用,AI演算法可以运用数位预失真(digital predistortion)来抵销功率放大器的非线性效应。在这所有的应用,AI演算法只担当了大型系统之中的一部分。模拟会被使用在整合测试来确保整体设计符合标准。


将AI带入模拟的未来

一般来说,当增加了模型规模和复杂性来因应更复杂的应用,AI与模拟将成为工程 师囗袋中更不可或缺的工具。使用如Simulink和MATLAB等商用工具,可赋予工程师优化其工作流程的能力,并且透过与产生合成资料、降阶建模等技巧来缩短他们的开发时间,并且将AI演算法嵌入到控制、讯号处理、嵌入式视觉、无线通讯等应用。


这些方法具备了强大能力,在硬体阶段之前,就透过精确且可负担的方式来开发、测试和检验模型,因此,使用需求将会再持续增长。


(本文由??思科技提供;作者Seth DeLand为MathWorks 数据分析产品行销经理)


相关文章
NanoEdge AI 解决方案协助嵌入式开发应用
以模型为基础的设计方式改善IC开发效率
使用深度学习进行海上雷达资料品质管控自动化
COM-HPC整合IPMI 提升边缘伺服器服务品质
实用型数位转型的最隹实践
comments powered by Disqus
  相关新闻
» 聚鼎科技2022年上半年合并获利衰退 启动改善调整计画
» 国研院仪科中心与成大产创总中心签订合作备忘录 联手为医材创新加速加值
» 种电养虾 向阳闯出防疫型温室养虾新蓝海
» 友达颐康「心悦健康促进中心」启用 提供在地乐龄健康运动空间
» 工研院携手打造化合物半导体聚落 超前部署电动车供应链
  相关产品
» 意法半导体触控萤幕控制器支援新一代AMOLED显示器
» 明纬推出1A/12A超小尺寸SMD封装非隔离DC-DC稳压器系列新品
» u-blox推出尺寸最小GNSS模组MIA-M10 提供节能解决方案
» u-blox推出LARA-L6 LTE Cat 4蜂巢式通讯模组
» SCHURTER新型多功能IEC连接器模组适用於资料中心配电