Czym jest nauka maszynowa i jak zmieni ona konstrukcję samolotów?

Karen Willcox, dyrektor Oden Institute for Computational Engineering and Sciences na Uniwersytecie w Teksasie, Austin omawia powstającą dziedzinę obliczeń, która może zrewolucjonizować sposób projektowania samolotów.

Podczas gdy sztuczna inteligencja i uczenie się maszynowe oferują wydajność i możliwości praktycznie we wszystkich sektorach przemysłu, niektóre z nich, takie jak przemysł lotniczy i kosmonautyczny, muszą postępować ostrożnie, ponieważ nie ma praktycznie żadnego marginesu błędu.

Wyłaniająca się dziedzina „naukowego uczenia się maszynowego” może jednak dać projektantom z branży lotniczej i astronautycznej większą pewność, ponieważ stanowi bezpieczne ogniwo łączące naszą ostrożną przeszłość, zakorzenioną w modelach opartych na fizyce, weryfikacji, walidacji, testowaniu i ocenie, z bardziej spekulacyjną sztuczną inteligencją (SI) umożliwiającą przyszłość.

Rozważając nowe aplikacje projektowe dla SI i uczenia się maszynowego, często czerpiemy inspirację z takich dziedzin, jak media społecznościowe, rozrywka online i handel detaliczny. Nie trzeba mieć wykształcenia w dziedzinie nauk o rakietach, aby docenić fakt, że nasze najpilniejsze problemy w dziedzinie lotnictwa i kosmonautyki mają zupełnie inny charakter niż te zastosowania informatyki.

Zasadniczo istnieje różnica w konsekwencjach podejmowanych decyzji. Jako inżynierowie, nasze decyzje dotyczą infrastruktury, pojazdów, systemów i procesów, w których konsekwencja bycia złym naraża życie ludzi. Nie jest w porządku być prawym przez 99% czasu. Jesteśmy zobowiązani do robienia czegoś znacznie lepszego, a złożoność naszych procedur projektowania, testowania i certyfikacji odzwierciedla ten obowiązek.

Są też inne ważne różnice. W przypadku większości problemów lotniczych dane są często skąpe. Eksperymenty są kosztowne, czasochłonne i czasami niebezpieczne. Generowanie danych symulacyjnych o wysokiej wierności jest również kosztowne i czasochłonne. Dane są najtrudniejsze do pozyskania, a tym samym najrzadsze w regionach o najbardziej krytycznym znaczeniu dla decyzji, np. gdy system jest bliski awarii lub niestabilności. Co więcej, systemy lotnicze i kosmiczne często charakteryzują się złożoną wielopłaszczyznową dynamiką wielofizyczną. Niewielkie zmiany parametrów systemu mogą prowadzić do dużych zmian w reakcji systemu, szczególnie w najbardziej krytycznych obszarach decyzyjnych.

Podsumowując, wyzwania te oznaczają, że nasze decyzje o wysokich konsekwencjach w przestrzeni kosmicznej prawie zawsze wymagają prognoz, które znacznie wykraczają poza dostępne dane. Istnieje krytyczna potrzeba ilościowego określenia niepewności i związanego z tym zaufania do prognoz, aby podejmować świadome decyzje, które wiążą się z ryzykiem.

Pomimo tych wyzwań nauka maszynowa, a szerzej – SI, ma do odegrania rolę w ulepszaniu naszych procesów projektowania i tworzeniu lepszych produktów.

Kluczem do sukcesu jest pamiętanie o tych wyzwaniach i wyobrażenie sobie technik maszynowego uczenia się, które mogą uwzględniać złożoność naszych systemów inżynieryjnych, a jednocześnie są mocno zakorzenione w podstawie wiedzy reprezentowanej przez nasze powiązania z modelami opartymi na fizyce. To skrzyżowanie jest nową dziedziną naukowego uczenia się maszynowego.

Kiedy zastanawiamy się nad przyszłością naukowego uczenia się maszynowego, ważne jest, aby zastanowić się nad naszą przeszłością. Od sześciu dekad modelowanie obliczeniowe odgrywa kluczową rolę w projektowaniu systemów lotniczych i kosmicznych. Dziedzina lotnictwa i astronautyki może być bardzo dumna z tego, że odegrała główną rolę przywódczą w tworzeniu podstawowych idei, metod i narzędzi, które doprowadziły do powstania nowoczesnych możliwości inżynierii wspomaganej komputerowo.

Naukowe uczenie się maszyn nie zastąpi tego wszystkiego, ale stanie się kolejnym cennym narzędziem w zestawie narzędzi projektanta przemysłu lotniczego i kosmicznego. W tym celu musi być ono zbudowane w oparciu o rygorystyczne, oparte na fizyce podstawy modelowania i symulacji.

Musimy myśleć o naukowym uczeniu się maszynowym nie tylko jako o „uczeniu się z danych”, ale jako o „uczeniu się z danych przez obiektyw modeli opartych na fizyce”. Jest to krok w kierunku nauki o danych prognostycznych, łączący zweryfikowane i walidowane symulacje obliczeniowe oraz zweryfikowane i walidowane podejścia oparte na danych w celu uzyskania wglądu i podejmowania decyzji w złożonych systemach lotniczych i kosmicznych.

---

Karen Willcox jest dyrektorem Oden Institute for Computational Engineering and Sciences oraz profesorem inżynierii i mechaniki kosmicznej na Uniwersytecie Teksasu w Austin.

Zanim dołączyła do Oden Institute w 2018 r., spędziła 17 lat jako profesor w Massachusetts Institute of Technology, gdzie pełniła funkcję profesora aeronautyki i astronautyki, współzałożyciela Centrum Inżynierii Obliczeniowej MIT oraz zastępcy kierownika Wydziału Aeronautyki i Astronautyki MIT.

Willcox posiada tytuł licencjata (Bachelor of Engineering Degree) Uniwersytetu w Auckland w Nowej Zelandii oraz tytuł magistra i doktora MIT. Zanim została profesorem na MIT, pracowała w Boeing Phantom Works z grupą projektową samolotów typu Blended-Wing-Body.