Podczas wysiłków na rzecz poprawy inżynierii precyzyjnej pojawiła się nowa metoda, aby przełamać ograniczenia obecnych technik modelowania. Naukowcy dr Chen Luo, Ao-Jin Li, Jiang Xiao i Ming Li, kierowane przez profesora Yun Li z Shenzhen Institute for Advanced Study, University of Electronic Science and Technology of China, wprowadzili praktyczne rozwiązanie. Ich badanie, opublikowane w raportach naukowych, wyjaśnia metodę o nazwie Grey-Box State-Space Model (SSM), która łączy prostotę, dokładność i przejrzystość do modelowania dynamicznego.
Łącząc podstawowe zasady naukowe z zaawansowaną analizą danych, ten model hybrydowy szaro-box łączy białe pole fizycznych praw, które są symbolicznymi regułami opisującymi, w jaki sposób ruch i energia zachowują się w świecie rzeczywistym oraz techniki uczenia maszynowego z wieloma czarnymi skrzynkami przy użyciu uniwersalnych przybliżeń funkcji, takich jak połączone sztuczne sieci neuronowe, które obejmują opracowanie danych lub prognozowanie. Ta kombinacja tworzy model, który nie tylko interpretuje, ale dostosowuje się do różnych złożoności w scenariuszach w świecie rzeczywistym. „Uwzględniając wiedzę ekspercką w silnych ramach AI, zapewniamy, że modele te są zrozumiałe i skuteczne w różnych warunkach”, powiedział profesor Li.
Testowanie tego podejścia na bardzo wrażliwym systemie kontroli temperatury stosowanego w salach czystych do produkcji wykazało jego skuteczność. Systemy te, które są środowiskami wolnymi od pyłu i zanieczyszczeń, wymagają niezwykle dokładnej regulacji temperatury zarówno dla powietrza, jak i wody. Model Grey-Box przekroczył wydajność tradycyjnych metod, zarządzając nieprzewidywalnymi zmianami systemu i unikalnymi cechami lepiej niż samodzielne podejścia.
Opracowany ze strukturą SSM, model Grey-Box wykorzystuje dwie transformacje. Jeden przekształca nieregularne nieliniowe równanie różniczkowe ustawione w zwykłą, liniową globalną białą skrzynkę SSM, a druga przekształca jego parametry zależne od stanu w zwykłe przybliżenie funkcji lokalnych. Zatem prawa fizyczne stanowią podstawę modelu przy jednoczesnym zastosowaniu uczenia maszynowego w celu dynamicznego dostosowywania ustawień parametrów. Na przykład, w kontroli temperatury powietrza w czystym pokoju, model ten opierał się na obu zasadach transferu energii, które wyjaśniają, w jaki sposób ciepło porusza się między obiektami, oraz dane w czasie rzeczywistym, które są zbierane przez zdarzenia, aby osiągnąć optymalną wydajność. „Nasz model może przewidzieć zachowanie w nowych scenariuszach z niezwykłą dokładnością”, wyjaśnił profesor Li, „czyniąc go niezbędnym dla branż, w których często zmieniają się warunki pracy”.
Rozwiązywanie wspólnych wyzwań, takich jak niekompletne informacje, które odnoszą się do luk lub brakujących danych, oraz nieefektywne obliczenia, szarość szaro-box wykazała wyższą zdolność do adaptacji przy jednoczesnym zapewnieniu wglądu w to, jak to działa. Ta mieszanka zdolności adaptacyjnej i przejrzystości jest niezbędna do praktycznego użytku przemysłowego.
Przyszłe możliwości dla różnorodnych dziedzin SSM Grey-Box, w tym lotu, które obejmują projektowanie i produkcję samolotów i statków kosmicznych oraz zarządzanie energią, które koncentruje się na efektywnym wykorzystaniu zasobów. Profesor Li postrzega tę metodę jako część szerszego ruchu w kierunku inteligentniejszej, bardziej przejrzystej technologii inżynierii. Ta zmiana stanowi przyszłość, w której maszyny nie tylko działają, ale także wyjaśniają ich funkcje, zwiększając zarówno zaufanie, jak i wydajność. Profesor Li zauważył: „Naszym celem jest opracowanie wydajnych i wyjaśnień„ AI dla narzędzi inżynieryjnych ”.
Referencje dziennika
Luo, C., Li, A., Xiao, J., Li, M., i Li, Y. „Wyjaśniają i uogólnione interpretacje wieloskalowe dla dynamicznego modelowania systemu”. Raporty naukowe, 2024. https://doi.org/10.1038/S41598-024-67259-4
O autorach
Yun Li (Fellow, IEEE) otrzymał doktorat Uzupełnienie University of Strathclyde, Glasgow, Wielka Brytania w 1990 roku. Pracował jako inżynier z National Engineering Laboratory and Industrial Systems and Control Ltd., oba w Glasgow. W latach 1991–2018 był wykładowcą inteligentnym systemem, starszym wykładowcą i profesorem University of Glasgow w Glasgow oraz dyrektorem założycielskim University of Glasgow Singapore w Singapurze. Obecnie jest profesorem przewodniczącym w Shenzhen Institute for Advanced Study, University of Electronic Science and Techonology of China, Shenzhen, Chiny. Jest autorem lub współautorem ponad 300 artykułów, a jednym z nich był najpopularniejszy artykuł w transakcjach IEEE w zakresie technologii systemu kontroli prawie co miesiąc od jego publikacji w 2005 r.
Dr Chen Luo Jej doktorat z China University of Geosciences, Wuhan, Chiny. Obecnie jest podoktorancką zawodnikiem sztucznej inteligencji dla inżynierii. Jej praca dotyczy krytycznych wyzwań naukowych w kontekście inteligentnych miast i dużych projektów inżynierskich, zapewniając, że są one zarówno solidne, jak i zrozumiałe. Wkład dr Luo mają na celu wspieranie inteligentniejszego, bezpieczniejszego i bardziej zrównoważonego rozwoju miast, co czyni ją kluczową postacią w integracji AI z naukami inżynieryjnymi.
Ao-jin li Otrzymał tytuł BS na Henan Polytechnic University w 2021 r. Obecnie ukończy studia doktora inżynierii w Shenzhen Institute for Advanced Study, University of Electronic Science and Techonology of China, Shenzhen, Chiny. Jego zainteresowania badawcze obejmują inteligentną kontrolę, robotykę i ucieleśnioną inteligencję.
Jiang Xiao Otrzymał stopień BS na University of Electronic Science and Technology of China, Chengdu, Chiny, w 2022 r. Obecnie dąży do studiów MS w Shenzhen Institute for Advanced Study, University of Electronic Science and Technology of China, Shenzhen, Chiny. Jego ostatnie zainteresowania badawcze obejmują inteligencję obliczeniową, duże modele językowe i jej zastosowania do systemów komunikacyjnych.
Ming Li Uzyskał tytuł BS na południowo -China Normal University, Guangzhou, Chiny. Obecnie jest studentem badań w Shenzhen Institute for Advanced Study, University of Electronic Science and Technology of China, Shenzhen, Chiny. Jego praca koncentruje się na kompresji sieci neuronowej. Ming Li jest poświęcony postępowaniu technik uczenia maszynowego, szczególnie w optymalizacji sieci neuronowych.
