بذار یه داستان باحال برات تعریف کنم راجع به اینکه چطور میشه با ترکیب شبیهسازیهای پیشرفته و هوش مصنوعی، سازههایی ساخت که انرژی رو عالی جذب میکنن! این سازهها رو Spinodoid Cellular Structures میگن – یعنی یه جور مواد با ساختار سلولی عجیب و غریب که مثل اسفنج میتونن نیرو یا ضربه رو تو خودشون پخش کنن تا خراب نشن.
حالا بریم سر اصل ماجرا: برای طراحی اینجور متاموادها (متامواد یعنی موادی که ساختار عجیب دارن و خواص خاصی پیدا میکنن)، مهندسا معمولاً مجبور میشن کلی شبیهسازی سنگین به اسم Finite Element Simulation انجام بدن. این شبیهسازیها رو با روش المان محدود انجام میدن، که یعنی در واقع سازه رو به بخشهای ریز تقسیم میکنن و محاسبات رو جزء به جزء انجام میدن تا دقیق بشه. هرچی مش یا همون تقسیمبندی ریزتر باشه، دقیقتره ولی زمان و قدرت کامپیوتر بیشتری هم لازم داره. اینطوری یه مشکل پیش میاد: همش میخوای خیلی دقیق باشی، ولی کامپیوترت کم میاره!
اینجاست که پای بحث Data-Driven Design میاد وسط. یعنی قراره طراحیا بر اساس دادههایی که داریم بهتر بشن. اما چون شبیهسازیها خییییلی زمانبر و گرون هستن، باید یه روش باهوشتر پیدا کنیم که با داده کمتر هم جواب بگیریم. یکی از این روشای باحال اسمش Bayesian Optimization یا همون BO ـه. یعنی به جای اینکه همه حالتای ممکن رو کورکورانه امتحان کنی، هوشمندانه تصمیم میگیری هر بار کدوم حالت رو تست کنی تا زودتر به بهترین جواب برسی. یه چیزی شبیه الگوریتمهایی که تو گوگل سرچ استفاده میشه تا بهترین نتایج رو نشونت بده.
حالا یه مرحله باحال تر: اگه یه جورایی بتونی شبیهسازیها رو تو سطوح مختلف دقت و هزینه انجام بدی – مثلاً یه بار با دقت پایین ولی سریع، یه بار دقیقتر و گرونتر – اونوقت بهش میگن Multi-Fidelity BO یا همون MFBO. (Multi-fidelity یعنی چند سطحی بودن دقت و هزینه شبیهسازیها.)
توی این مقاله که معروف توی آرکایو منتشر شده، اومدن دو تا روش BO و MFBO رو با هم مقایسه کردن، اونم سر یه مساله واقعی: پیدا کردن بهترین پارامترها برای اینکه این سازههای Spinodoid تا حد ممکن انرژی جذب کنن و نشکنن.
جالبیش اینجاست که علاوه بر اینا، اومدن برای بخشی که خیلی وقتا کمتر بهش توجه میشه یعنی کیفیت نمونهگیری (sampling) و حساسیت پارامترهای طراحی هم کار کردن. برای این کار از نمونهگیری Sobol’ و تحلیل حساسیت مبتنی بر واریانس (یعنی تحلیل اینکه هر پارامتر چقدر تو نتیجه اثر گذاره) استفاده کردن، که کمک بزرگی میکنه تا فقط با پارامترهای واقعا مهم سروکار داشته باشیم و مسئله آسونتر و باحالتر بشه.
نتیجه نهایی چی شده؟ MFBO یعنی همین روش ترکیبی شبیهسازی چندسطحی با بهینگی بیزی، تونسته تا ۱۱٪ نتیجه بهتری نسبت به BO معمولی توی تنظیمات مختلف بده! یعنی اگه میخوای با صرف هزینه و داده کمتر به طرحای شاختر برسی، حتماً این روش رو امتحان کن. خلاصه اینکه این کار نشون داد تو مسائل طراحی گرون و حساس، هوش مصنوعی و شبیهسازی چند سطحی با همدیگه میتونن غوغا کنن. حتی داده این تحقیق رو هم اپنسورس کردن (یعنی گذاشتن همه مجانی استفاده کنن!).
اگه دنبال طراحی فوقپیشرفته و کمهزینه با کمک هوش مصنوعی و شبیهسازیهای باحال هستی، این مقاله حسابی الهامبخشه! تازه یه عالمه از مفاهیم باحال مثل شبیهسازی چندسطحی، تحلیل حساسیت، و بهینهسازی بیزی رو هم راحت و کاربردی توضیح داده.
منبع: +
