下面的文章 卢卡斯加西亚 在MathWorks深度学习产品经理。

这篇文章讨论了MathWorks出席NeurIPS 2022和我的演讲在会议上使用AI进行降维建模的。

图:MathWorks团队在我们展位NeurIPS 2022

成立于1987年,会议在神经信息处理系统(缩写为NeurIPS)是其中一个最著名的和有竞争力的国际会议在机器学习。上周,MathWorks团队在新奥尔良NeurIPS 2022的面对面会议的一部分。

在NeurIPS在世博会期间的一天,我提出了一个谈论“使用AI降阶建模”。这篇文章提供了本课程的概述。如果你有兴趣了解更多,请查看幻灯片:使用人工智能降维建模。

图:介绍使用AI进行降维建模NeurIPS 2022

此外,我们有许多有趣的交互在展台上深度学习,强化学习,MATLAB之间的互操作性和Python®。我的同事们画了和巴特尔开发了一个优秀的强化学习演示,展示学习直接从硬件使用Quanser QUBE™伺服2和强化学习工具箱。

视频:强化学习演示展示学习直接从硬件

罗是什么以及为什么使用它呢

如果你是一个工程师或曾经工作在解决工程问题,你可能试图解释使用第一原理的行为系统。在这种情况下,您必须了解系统的物理推导的数学表示。采用基于模型的真正价值是,通常有一个明确的结果,可辩解的物理意义。此外,行为通常可以参数化的。

然而,高保真非线性模型可能需要数小时甚至数天来模拟。事实上,系统分析和设计可能需要成千上万成千上万的模型模拟来获得有意义的结果。这将导致严重的计算挑战许多工程团队。此外,线性化复杂的模型会导致高保真模型,不会导致应用程序感兴趣的动力。在这些情况下,基于ai降维模型可以显著加快高阶大规模系统的模拟和分析。

降阶模型(ROM)技术减少一个计算机模型的计算复杂度和存储要求,同时保持预期的保真度控制错误。

工程师和科学家使用ROM技术:

• 加速系统级桌面仿真
• 执行半实物测试
• 启用系统级模拟
• 开发虚拟传感器和数字双胞胎
• 执行控制设计

图:降维的仿真模型是显著快于高保真的仿真模型。

基于ai降维建模

AI能够从测量数据的组件创建一个模型,得到正确的答案在一个精确的,动态的,低成本的方式。我们不能总是充分的分析模型。有时,没有理论和/或技术。例如,估算电机的内部温度传感器可以是具有挑战性的,因为没有划算,和方法如有限元分析和集总热模型是非常缓慢或需要专业知识来设置。

即使你已经有了一个高保真采用基于模型,您可以使用数据驱动的模型创建一个潜在的代理模型简单,模拟速度更快。更快的但同样准确的模型可以帮助你进步的设计,测试和部署您的系统。对于这次演讲,我专注于取代现有的高保真采用基于模型与一个基于ai降维模型。创建这样一个降维模型,您可以按以下步骤在一个AI-driven工作流系统设计:数据准备、人工智能建模、系统仿真和部署。

图:AI-driven设计包括数据准备、人工智能建模、系统设计和部署。

让我们仔细看看如何创建一个降维模型车辆发动机的车辆速度的闭环控制。在下图中,你可以看到一个系统级模型的车辆模型。金宝app我们的目标是控制车辆的速度根据驾驶员的输入。这个虚拟模型包括组件代表一个模拟司机,道路条件,控制器,和车辆动力学。乘用车子系统模型整个车辆动力学:轮子,微分,车辆的身体,和汽车引擎。这些都是使用第一原理建模,但鉴于高保真模型的复杂性,仿真可以明显慢了下来。

图:高保真引擎模型替换为一个基于ai模型来减少复杂性和加快系统仿真。

你可以换一个基于ai的高保真模型降维模型。例如,AI模型可能包含一个序列模型中,一个神经的颂歌,非线性ARX模型,等。该模型应输入发动机转速、点火正时,油门位置,和排气泄压阀阀值;发动机扭矩和输出。

的第一步AI-driven工作流系统设计包括数据准备。在这里,你可以为你设计一组实验来生成所需的合成数据。这可以通过确定哪些参数不同,各自的模拟运行,需要培训和日志数据。

搬到人工智能建模阶段,您可以创建一个LSTM网络编程和几行代码(例如,见使用深度学习Sequence-to-One回归)或交互深层网络设计师应用。另一个激动人心的方法涉及使用神经常微分方程。神经常微分方程是特别有趣的,当你需要模型系统的动态行为,但可能不清楚如何从第一原理推导出颂歌。使用神经状态空间模型介绍了MATLAB R2022b,您可以创建一个基于深度学习使用前馈神经网络非线性状态空间模型。这允许您训练神经ODE模型没有深度学习专家。另外,您可以从TensorFlow进口pretrained网络™,PyTorch®,或ONNX™。有关更多信息,请参见MATLAB之间的互操作性,TensorFlow PyTorch, ONNX。

一旦模型被训练,你可以模拟和测试您的人工智能模型在仿真软件与你其他的组件。金宝app在仿真软件集成人工智能模型,并不简单。金宝app简单拖放相应的块相应仿真软件模型和配置它(通过指定模型的位置或名称在工作区中)。金宝app通过使用降维模型车辆的引擎,你加快系统的整体仿真时间:

图:系统级仿真基于ai的降维模型车辆速度控制

最后,您可以部署整个植物模型(乘用车子系统)通过生成C / c++代码和执行系统级的集成和测试。半(边境)作为最后的功能测试算法在设计之前我们进入最后的系统集成。在边境,您可以生成代码的组件或算法都是设计(如控制器)以及植物的模型。工厂代码,这里包括训练神经网络,运行在一个实时的计算机;模仿我们的车辆的行为。组件代码或算法(在这种情况下,控制器)在目标平台上运行。金宝app仿真软件可以用来监视信号和调整参数对部署组件。

同样的技术可以应用于各种各样的系统,例如,温度模型、湍流和燃烧模拟,估计氮氧化物的排放。看看下面的用户故事来了解更多关于这些应用程序:

• 与神经网络虚拟XCU校准
• 与人工智能建立更好的引擎
• 使用深度学习网络估计氮氧化物的排放

结论

这是真正令人兴奋的参加NeurIPS 2022和有机会与深度学习社区分享如何使用AI降维建模。在结束会议之前,我回到我培训和分析基于ai的降阶模型,不同的属性。这允许您评估并根据具体要求进行设计权衡你可能有。如下图描述,LSTM模型提供了精度略好,但神经状态空间的LSTM优于其他属性。

图: 雷达的阴谋强调训练的不同属性LSTM和神经状态空间模型。注意,图中所示的结果是特定于这个汽车引擎的例子。

总之,一个人工智能模型可用于创建一个基于AI降维模型代替复杂的车辆发动机动力的一部分。使用数据从原始采用综合生成的模型,你可以训练AI模型使用各种技术(LSTMs,神经常微分方程、NLARX模型等)来模拟汽车引擎的行为。然后您可以将这样的人工智能模型集成到系统级仿真的仿真软件(连同其他采用基于组件),生成C 金宝app/ c++代码,执行边境测试。

留下你的评论与任何你想聊天与人工智能相关的降阶模型。别忘了看看幻灯片:使用人工智能降维建模提供的细节如何使用AI罗在一个完整的系统的每个阶段!