В процессе совершенствования прецизионной инженерии появился новый метод, позволяющий преодолеть ограничения существующих технологий моделирования. Исследователи под руководством профессора Юнь Ли из Шэньчжэньского института перспективных исследований Университета электронной науки и технологий Китая предложили практическое решение, основанное на серой модели пространства состояний (SSM). Эта модель сочетает простоту, точность и прозрачность для динамического моделирования.
**Серая модель пространства состояний (SSM): новый подход к динамическому моделированию**
Серая гибридная модель объединяет основные научные принципы с передовым анализом данных. Она объединяет «белую коробку» физических законов, которые являются символическими правилами, описывающими поведение таких явлений, как движение и энергия в реальном мире, с методами машинного обучения и «чёрными ящиками», использующими универсальные аппроксиматоры функций, такие как соединённые искусственные нейронные сети. Это сочетание создаёт модель, которая не только интерпретирует, но и адаптируется к различной сложности в реальных сценариях.
«Внедряя экспертные знания в сильную ИИ-структуру, мы обеспечиваем понятность и эффективность этих моделей в различных условиях», — сказал профессор Ли.
**Тестирование и результаты**
Испытание этого подхода на высокочувствительной системе контроля температуры, используемой в чистых помещениях для производства, продемонстрировало его эффективность. Эти системы, свободные от пыли и загрязнений, требуют чрезвычайно точного регулирования температуры как воздуха, так и воды. Серая модель превзошла традиционные методы, лучше справляясь с непредсказуемыми изменениями системы и уникальными характеристиками.
Разработанная с использованием структуры SSM, серая модель применяет два преобразования. Одно преобразует нерегулярный набор нелинейных дифференциальных уравнений в регулярную, линейноподобную глобальную «белую коробку» SSM, а другое преобразует зависящие от состояния параметры в регулярные локальные аппроксиматоры функций. Таким образом, физические законы формируют основу модели, а машинное обучение используется для динамической настройки параметров.
Например, при контроле температуры воздуха в чистых помещениях эта модель опиралась как на принципы передачи энергии, объясняющие перемещение тепла между объектами, так и на данные в реальном времени, собранные во время событий, для достижения оптимальной производительности. «Наша модель может предсказывать поведение в новых сценариях с поразительной точностью», — пояснил профессор Ли, — «что делает её незаменимой для отраслей, где условия работы часто меняются».
**Преимущества серой модели SSM**
Решая общие задачи, такие как неполная информация и неэффективные вычисления, серая структура продемонстрировала более высокую способность к адаптации, сохраняя при этом прозрачность работы. Это сочетание адаптивности и ясности важно для практического промышленного использования.
**Будущее серой модели SSM**
Перспективы применения серой модели SSM охватывают различные области, включая аэрокосмическую промышленность и управление энергоресурсами. Профессор Ли видит этот метод как часть более широкого движения к более умным и прозрачным технологиям в инженерии. Этот сдвиг представляет будущее, в котором машины не только выполняют функции, но и объясняют их, повышая доверие и эффективность.
Профессор Ли отметил: «Наша цель — разработать эффективные и объяснимые инструменты „ИИ для инженерии“».
**Ссылки на источники**
Luo, C., Li, A., Xiao, J., Li, M., & Li, Y. «Объяснимый и обобщаемый ИИ-управляемый мультимасштабный информационный подход для моделирования динамических систем». Scientific Reports, 2024. https://doi.org/10.1038/s41598-024-67259-4
**Об авторах**
* **Юнь Ли** (Fellow, IEEE) получил степень PhD в Университете Стратклайда в 1990 году. Работал инженером в National Engineering Laboratory и Industrial Systems and Control Ltd. в Глазго. С 1991 по 2018 год был лектором, старшим лектором и профессором в Университете Глазго, а также директором-основателем Университета Глазго в Сингапуре. В настоящее время является профессором Шэньчжэньского института перспективных исследований Университета электронной науки и технологий Китая. Автор или соавтор более 300 статей, одна из которых была самой популярной в IEEE Transactions on Control System Technology почти каждый месяц с момента публикации в 2005 году. Профессор Ли интересуется объяснимым искусственным интеллектом следующего поколения и его инженерными приложениями.
* **Доктор Чен Луо** получила степень PhD в Китайском университете геонаук в Ухане. В настоящее время является постдокторантом, интересующимся искусственным интеллектом в инженерии. Её работа решает критические научные задачи в контексте умных городов и крупномасштабных инженерных проектов, обеспечивая их надёжность и понятность.
* **Ао-Цзинь Ли** получил степень бакалавра в Хэнаньском политехническом университете в 2021 году. В настоящее время получает степень доктора технических наук в Шэньчжэньском институте перспективных исследований Университета электронной науки и технологий Китая. Его исследовательские интересы включают интеллектуальное управление, робототехнику и воплощённый интеллект.
* **Цзян Сяо** получил степень бакалавра в Университете электронной науки и технологий Китая в Чэнду в 2022 году. В настоящее время получает степень магистра в Шэньчжэньском институте перспективных исследований Университета электронной науки и технологий Китая. Его недавние исследовательские интересы включают вычислительный интеллект, большие языковые модели и их применение в системах связи.
* **Мин Ли** получил степень бакалавра в Южно-Китайском педагогическом университете в Гуанчжоу. В настоящее время является аспирантом Шэньчжэньского института перспективных исследований Университета электронной науки и технологий Китая. Его работа сосредоточена на сжатии нейронных сетей. Мин Ли стремится к развитию методов машинного обучения, особенно в области оптимизации нейронных сетей.
Добавить комментарий