通過機器學習技術優化復雜的建模過程

設計一艘太空飛船聽起來并不容易。在創建宇宙飛船和其他復雜工程系統所需的時間和精力上，建模扮演著重要角色。它需要進行大量的物理計算，篩選大量不同的模型和部落知識來確定系統設計的奇異部分。

Zohaib Hasnain博士的研究表明，自主系統中使用的數據驅動技術具有更準確，更有效地解決這些復雜建模問題的潛力。他將高性能的人工智能應用于基于物理的過程，旨在“自動化”建模，減少生產解決方案所需的時間并降低生產成本。

Hasnain說：“如果我試圖按照設計鉛筆的方式進行某些工作，那么設計鉛筆就涉及到一個過程。” “根據其他人過去的工作，我已經掌握了一些知識，因此我將采取一定的步驟。任何可以通過流程或紙上算法描述的內容都可以在自治系統的上下文。”

Hasnain是J. Mike Walker '66機械工程系的助理教授，他意識到在航空航天行業工作期間，由于建模工作而導致項目延遲。在進行傳統建模過程時，科學家和研究人員必須創建各種模型，其中許多模型都需要測試。此外，通過單個模型進行歸檔花費的時間太長，無法產生答案。空間系統傳統建模的一個例子是計算機流體動力學，即CFD，它使用數值分析來確定解決方案，從而導致計算成本高昂，并且需要人工來進行驗證。

Hasnain說：“我一直認為有很多工作要做，因為似乎有能夠解決建模瓶頸的自主系統和機器。” “我的研究是了解數據驅動技術如何以及何時受益的第一步，其最終目標是要花費數月或數周的時間來解決一個過程，并在數小時或數天內產生解決方案。”

Hasnain在助理教授Vinayak R.Krishnamurthy博士和研究生研究助理Kaustubh Tangsali的陪同下進行了一項研究，以了解卷積神經網絡等常用的機器學習架構(CNN)和物理信息神經網絡(PINN)應用于流體預測問題。數據驅動的方法使用預先存在的建模數據庫來訓練模型，該模型可以通過仔細控制流體的基本物理特性以及流體流動的幾何形狀來進行控制。然后使用該模型進行預測。他們的研究發現，如果針對解決方案過程的非常具體的方面，CNN和PINN都有優化建模過程的潛力。他們現在正在研究一種混合學習方法，以實現其加快設計過程的最終目標。

Hasnain說：“我們正在尋找一套可以替代舊工具的工具。” “我們正在嘗試了解這些新工具在傳統上由基于第一原理的解決方案技術控制的應用程序中如何表現。”

研究人員在《機械設計雜志》上發表了他們的發現。他們的文章“用于在幾何和物理流體變化中進行氣動流場預測的卷積編碼器/解碼器網絡的可推廣性”著重于理解尺寸工具，這些尺寸工具有可能替代當前的行業標準建模工具。

從研究結果來看，Hasnain希望建立一個自治基礎結構，該基礎結構可以從數據收集中提取出通過混合機器學習架構產生建模解決方案。通過算法和預先存在的數據，基礎架構將成為一個建模過程，可以應用于現實生活中的各種系統。最終，他計劃共享此基礎架構以進行廣泛的免費使用。

Hasnain說：“我希望這種基礎設施能夠成為一項社區計劃，并向所有人免費提供。” “也許更重要的是，因為它可以產生近乎按需的解決方案，而這與當前的最新建模技術相反，后者非常耗時。”

基礎設施處于開發的早期階段。Hasnain和他的研究人員正在努力在不久的將來生產原型。