Революційний прорив у складній оптимізації: як ШІ робить неможливе доступним
Інженерні виклики та обмеження класичних методів
У багатьох інженерних задачах головною проблемою стає величезна кількість змінних та обмежена кількість спроб їх перевірки. Процеси, як-от налаштування енергомереж або розробка безпечнішого автомобіля, часто пов’язані з великими витратами, а кілька сотень факторів можуть впливати на результат.
Візьмемо приклад із безпекою автомобіля. Інженери зіштовхуються з потребою враховувати тисячі деталей, і кожен вибір проєкту може позначатися на тому, як машина поводиться під час аварії. Стара добра оптимізація іноді просто не справляється з пошуком найкращої комбінації через обсяг варіантів.
Нова методика, що змінює правила гри
Дослідники з MIT запропонували свіжий погляд на класичний інструмент званий баєсівською оптимізацією. Їхній підхід дає змогу ефективно працювати з сотнями параметрів. У тестах на реалістичних інженерних задачах, наприклад, оптимізації енергосистем, новий метод був у 10–100 разів швидшим за популярні алгоритми.
В основі цієї технології — фундаментальна модель, навчена на табличних даних. Вона самостійно визначає найбільш важливі змінні для покращення результату, поступово уточнюючи пошук кращих варіантів. Такі моделі – це потужні системи штучного інтелекту, натреновані на величезних універсальних наборах даних, що дозволяє їм легко адаптуватися під різні завдання.
Особливості та переваги використання табличної фундаментальної моделі
Таблична фундаментальна модель не вимагає постійного перенавчання під час пошуку оптимального рішення, що значно підвищує ефективність процесу. Крім того, цей метод дає ще більший приріст швидкості, як тільки задачі стають складнішими, тому його варто застосовувати у таких сферах як розробка нових матеріалів або пошук ліків.
Розробник алгоритму, аспірант з комп’ютерних наук Розен Ю, пояснює: «Сучасні ШІ та машинне навчання радикально змінюють підходи інженерів і науковців у створенні складних систем. Ми створили алгоритм, який не тільки розв’язує задачі з великою кількістю параметрів, але й є універсальним: його можна застосовувати для різних проблем без необхідності починати з нуля».
Команда дослідників
До роботи над статтею долучилися також Кирил Пікар, колишній постдок MIT і науковий співробітник, а також Фаез Ахмед, доцент машинобудування і ключовий член Центру обчислювальної науки та інженерії MIT. Їхні результати будуть представлені на Міжнародній конференції з навчання представлення моделей (ICLR).
Оптимізація з класикою у новому форматі
Коли потрібно розв’язати складну задачу з обмеженим ресурсом на оцінку, наприклад, краштест автомобіля, традиційно використовують баєсівську оптимізацію. Цей метод створює модель-сурогат, що допомагає прогнозувати, які варіанти варто перевірити далі, враховуючи невизначеність прогнозів.
Однак, ця модель потребує перенавчання після кожної спроби, що ускладнює процес на великих просторах варіантів. При кожній новій задачі доводиться починати «з чистого листа» і будувати модель заново.
Використання табличної моделі як серця оптимізації
Щоб уникнути цих проблем, команда MIT застосувала генеративну ШІ-систему — табличну фундаментальну модель — як модель-сурогат у баєсівській оптимізації.
- Ця модель нагадує ChatGPT, але для електронних таблиць.
- Вона передтренована на величезному масиві табличних даних, що дозволяє їй чудово справлятися з прогнозуваннями різних параметрів.
- Виконує завдання без додаткового перенавчання.
Щоб підвищити ефективність, модель «вибирає» найбільш значущі характеристики проєкту, на які варто звернути увагу.
Ю пояснює: «В автомобілі може бути 300 параметрів дизайну, але не всі вони рівнозначно впливають на безпеку. Наш алгоритм здатний сконцентруватися саме на тих, що формують найкращий результат.»
Вирішення масштабних завдань із розумінням суті
Одним із найскладніших моментів було знайти оптимальну табличну модель і «підключити» її так, щоб вона визначала найважливіші стрижневі елементи проєкту. Це завдання є класичною проблемою в математиці та інформатиці, але застосування властивостей табличної моделі зробило його особливим.
Після того, як алгоритм був готовий, команда провела порівняльні випробування з п’ятьма сучасними методами оптимізації. Результати вражають:
- На 60 тестах, серед яких дизайн енергетичних мереж та краштести, новий метод завжди знаходив найкращі варіанти в 10–100 разів швидше.
- При збільшенні розмірності задачі алгоритм демонструє все кращі результати.
- Деякі сфери, як планування руху роботів, залишаються викликом — можливо, через відсутність схожих даних в тренувальному наборі.
Подальші перспективи
Дослідники планують покращувати табличні фундаментальні моделі і тестувати їх на задачах із тисячами і навіть мільйонами параметрів — наприклад, при проєктуванні військових кораблів.
«Цей проєкт демонструє зсув у застосуванні фундаментальних моделей не лише для сприйняття мови чи образів, але й як двигунів для наукових і інженерних алгоритмів, роблячи класичні методи, як баєсівська оптимізація, масштабованими і ефективними навіть у надскладних випадках», — зауважує Фаез Ахмед.
Експерти із світового рівня, такі як Вей Чен, професор і голова кафедри машинобудування Університету Нортвестерн, наголошують на практичності та потужності цього підходу для зниження витрат даних у процесі моделювання, що робить проєктування об’єктів набагато доступнішим та простішим у реальному світі.
