新闻中心

EEPW首页 > 智能计算 > 设计应用 > 工程师工具箱内的秘密武器:AI与模拟的交集

工程师工具箱内的秘密武器:AI与模拟的交集

作者:时间:2022-06-27来源:CTIMES收藏

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模型,本文将探索与仿真的结合如何帮助工程师解决时间、模型可靠度、数据质量等诸多挑战。

随着现今科技复杂度的增加,人工智能(artificial intelligence;)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整合于系统之中时将面临新的挑战。这些复杂性的一部分,源自于使用在模型训练的数据几乎可决定AI模型效果的认知?如果数据不足、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,因为仿真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的近似值,也被称为降级建模(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,仿真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,本文将探索仿真与AI的结合可如何帮助工程师解决时间、模型可靠度、数据质量等挑战。

挑战1 使用于训练和检验AI模型的数据
收集真实世界数据和建立良好、干净且经过分类的数据的过程相当艰难,还需要耗费大量时间。工程师也必须留意大部分AI模型属于静态的事实(模型是使用固定的参数值来执行),虽然模型持续地暴露在新的数据下,但这些资料却不见得会被纳入训练数据集之中。

如果没有健全的数据来协助训练模型,项目失败的可能性便提高,因此数据准备成为AI工作流程中一项至关重要的步骤。「不好的」数据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。

仿真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数据的重要性。与其将一项项目全部的时间投注在烦恼AI模型的架构和参数,证据显示把时间花在改善训练数据,通常可以为模型精确度带来更大的改善。

使用仿真来扩充现有的训练数据有许多好处,包括:

 计算通常比物理实验的成本降低许多

 工程师对于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

  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佳进行除错时有很大的用处

当模型的表现高度取决于训练数据的质量,工程师可以透过几种流程迭代来改善结果,包含仿真数据、更新AI模型、观察在哪一些条件下模型预测结果不佳,并且为那些条件收集更多仿真资料等。

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仿真数据。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仿真他们的资料,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算法等需与实体物理系统互动的算法时,以仿真为基础的系统模型是促成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「信道模型」,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:建立一个以仿真为基础的模型,它可以提供必要的精确性,再次建立和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(一个降级模型)来取得近似值。在其他的情况,他们可能只需要从实验数据训练AI模型,完全略过建立以物理为基础的模型。

这么做的好处是,降级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后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。当工程师希望保留物理系统的特定部分,又希望以更接近数据中心的方法所取得的近似值,来组成系统的其余部分时,这类模型就可以给予很大的帮助。

挑战3 AI于算法开发
开发如控制系统等应用的工程师在设计算法时,对于仿真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传感器、以及试图计算无法直接透过传感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。他们使用测量或仿真而来的数据,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,然后再将该AI模型与系统整合。

在这个案例,AI模型属于控制算法的一部分,之后会被放在实际硬件上执行。这个硬件的性能/内存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、以及运行大量仿真的计算能力,可能并不容易从现有资源取得。

除了虚拟的传感器和强化学习,AI算法使用在嵌入式视觉、音频和讯号处理、以及无线通信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算法可以协助加强说话声音并且抑制噪声。在无线通信应用,AI算法可以运用数字预失真(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与仿真将成为工程 师口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数据、降级建模等技巧来缩短他们的开发时间,并且将AI算法嵌入到控制、讯号处理、嵌入式视觉、无线通信等应用。

这些方法具备了强大能力,在硬件阶段之前,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。
(本文由钛思科技提供;作者Seth DeLand为MathWorks 数据分析产品营销经理)

本文引用地址:http://www.eepw.com.cn/article/202206/435605.htm


关键词: 工具箱 AI 模拟

评论


相关推荐

技术专区

关闭