아니오. 5 : 비즈니스 응용 프로그램 : AI의 향후 슬롯

"제조"이외의 슬롯의 예

슬롯의 주요 응용 프로그램은 자동차 및 항공기와 같은 엔지니어링 기계를 "제조"하는 것이 었습니다. 여기서 우리는 저자가 "관리"에 슬롯를 적용한 예를 소개 할 것입니다.

"스마트 홈 시스템"은 에너지 생성 및 에너지 저장 장비가 장착 된 주택의 에너지를 제어하는 ​​포괄적 인 에너지 관리 시스템으로, 낭비 된 에너지의 감소, 일상 생활에서 생성 된 이산화탄소 배출량 감소 및 정전 또는 재해의 경우 가구 단위의 에너지 독립성을 감소시킬 수 있습니다. 각 에너지 장치는 각 에너지 장치의 사양, 스마트 홈의 전기 및 열 시스템에 대한 시스템 제약 조건 및 단위 전기 가격의 계약 유형을 포함한 다양한 정보를 고려하여 제어해야합니다. 그러나 시스템의 복잡성으로 인해 장치를 효과적으로 연결하는 방법을 이해하기 쉽지 않습니다.

따라서 저자에게 하루의 전력과 열 수요가 주어 졌을 때, 그들은 다양한 에너지 장비의 운영 계획 (에너지 관리)을 슬롯하여 유틸리티 비용과 이산화탄소 배출을 동시에 최소화 할 수 있도록 노력했습니다. 먼저,이 문제는 각 에너지 장치의 사양과 에너지 수요에 대한 많은 제약이 있기 때문에 엄격한 제약 하에서 최적의 솔루션을 효과적으로 검색 할 수있는 고유 한 알고리즘을 개발했습니다 [1]. 이 질문에서 탐구 된 최적의 파레토 솔루션 데이터를 분석함으로써, 우리는 유틸리티 비용과 이산화탄소 배출량의 균형을 결정하는 각 에너지 장치의 제어 규칙을 추출했습니다 [2].

생성 된 AI를 슬롯한 최적화

슬롯의 가장 큰 장점은 인간의 지식, 경험 또는 직관에 갇히지 않고 주어진 객관적인 기능 및 제약 하에서 최적의 솔루션을 자동으로 발견 할 수 있다는 것입니다. 이는 엔지니어링 디자인에서 기존 디자인과 다른 혁신적인 디자인을 만들 수 있으며 전례가없는 문제에 특히 효과적임을 시사합니다. 반면에, 과거의 과거 디자인 예제 (예 : 이미 대량 생산)의 문제에서 슬롯는 기존 디자인과 독립적으로 수행되며, 새로운 디자인의 무작위성 (다양성)이 너무 강하기 때문에 기존 디자인을 능가하는 새로운 디자인을 찾기가 어려울 수 있습니다.

따라서 저자는 AI 모델 "GAN (Generative Adversarial Network)"[3]을 통합 한 슬롯 알고리즘을 개발했으며, 이는 기존 디자인의 다양성과 차이점 (구별 가능성)을 경쟁적으로 배우고 유망한 새로운 디자인 만 생성합니다. 결과적으로, 우리는 기존 디자인을 능가하는 새로운 디자인을 효과적으로 탐색 할 수 있었으며, 기존의 풍부한 디자인에 잠재적 인 좋은 기능을 고려했습니다. 또한,이 알고리즘은 기존의 기존 설계에 새로운 부가 가치를 가져다주는 역할을 할 것으로 예상됩니다 [4].

물리적 무결성을 반영하는 대리 모델

엔지니어링 설계 최적화 문제에서 객관적인 기능과 제약은 대부분 설계를 통제하는 물리적 현상에서 파생되며 객관적인 기능 및 제약 기능의 평가에는 많은 시간이 걸립니다. 그러한 경우, 목표 및 제약 기능을 수학적으로 근사화하는 대리 모델을 슬롯해야하지만 모델의 추정 오류가 크면 설계를 올바르게 최적화 할 수 없습니다.

최근 몇 년 동안, 물리적 일관성을 반영하는 대리 모델은 단순히 수학적 근사치보다는 개발되었습니다. "물리 정보 신경 네트워크 : PINN"[5]은 이것의 전형적인 예이며, 대상 물리적 현상이 교사 데이터로 충족 해야하는 통치 방정식 및 경계 조건을 슬롯하여 물리적 현상을 예측하는 AI 모델입니다. 우선, 통치 방정식과 경계 조건은 사소한 일이므로 이러한 잔차를 기계 학습의 손실 함수로 슬롯하면 실제로 감독되지 않은 학습이되어 교사 데이터를 준비 할 필요가 없습니다. 따라서, PINN은 더 높은 정확성과 저렴한 성능을 가진 물리적 현상 (최적화, 객관적인 기능 및 물리적 현상에서 결정된 객관적인 기능 및 제약 기능)을 추정하는 대리 모델로 관심을 끌고 있습니다.

저자는 항공기 날개 주변의 유동장을 예측하는 PINN의 예측 정확도에 대한 모델 구조, 학습 프로세스, 손실 기능 등을 설정하는 효과를 조사하고 있습니다. 현재, PINN의 예측 정확도는 설정에 따라 극적으로 변할 것이며, 미래의 과제는 대리 모델의 다양성을 높이는 것입니다 [6]. 저자는 또한 PINN이 주어진 경계 조건 (즉, 하나의 설계 모양)에 대해서만 물리적 현상을 예측할 수 있기 때문에 경계 조건의 변화에 ​​유연하게 반응 할 수있는 새로운 PINN을 개발하고 있습니다 [7].

이번에는 비즈니스 응용 프로그램에 대해 논의 할 것입니다. 향후 AI 슬롯에서 "관리"에 최적화가 어떻게 적용되는지에 대한 예를 소개했습니다.

참조

• [1] Shimoyama, K., Kato, T. : 병렬 평가 전략을 갖춘 진화 제한 다목적 슬롯 알고리즘. 고급 기계 설계, 시스템 및 제조 저널, 11 (5) : JAMDSM0051 (2017).https : //doi.org/10.1299/jamdsm.2017jamdsm0051
• [2] Tomita Masatsugu, Shimoyama Koji, Ehara Yukiko, Yamada So, Kuniryo Taka : 스마트 홈 시스템에서 에너지 장비에 대한 제어 규칙 추출. 일본 기계 엔지니어 협회, 84 (859) : 17-00390 (2018).https : //doi.org/10.1299/transjsme.17-00390
• [3] Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Oz슬롯r, S., Courville, A., Bengio, Y. : 생성 적대적 네트. 신경 정보 처리 시스템의 발전, 27 : 2672–2680 (2014).
• [4] Hariansyah, M.A., Shimoyama, K. : 고차원 대리 기반 공기 역학 설계를위한 딥 러닝 기술. 항공 과학 국제 협의회 33 차 의회 (ICAS 2022) : 164–182 (2022).
• [5] R슬롯ssi, M. Perdikaris, P., Karniadakis, G.E. : 물리 정보 신경 네트워크 : 미래 및 역 문제를 해결하기위한 딥 러닝 프레임 워크에는 비선형 부분 미분 방정식이 포함되었습니다. 전산 물리학 저널, 378 : 686–707 (2019).https : //doi.org/10.1016/j.jcp.2018.10.045
• [6] Nakatani Naoki, Shimoyama Koji : 공기 역학적 성능 예측을위한 물리 정보를 기반으로 신경망의 학습 비용 절감. 일본 기계 엔지니어 협회 35 차 강의 계산 역학에 관한 강의 (2022).
• [7] Okuhara Keita, Shimoyama Koji : 유한 볼륨 방법을 기반으로 그래프 신경망을 슬롯한 열 확산 분석의 초기 검사. 38 번째 전산 유체 역학 심포지엄 (2024).