Инженеры часто сталкиваются с множеством переменных, которые необходимо учитывать при решении сложных задач, таких как оптимизация энергосистем или разработка автомобильных конструкций. Каждое изменение может быть дорогостоящим, а количество возможных переменных может исчисляться сотнями.
Новая парадигма оптимизации
Исследователи из MIT разработали новый метод, который пересматривает использование Байесовской оптимизации, помогая решать задачи с сотнями переменных. Эта технология позволяет находить лучшие решения в 10-100 раз быстрее по сравнению с классическими методами.
Ключевая особенность метода – это использование табличной модели, обученной на данных в формате таблиц. Такая модель может автоматически определять, какие переменные наиболее важны для улучшения производительности системы, и повторно фокусироваться на них для достижения еще лучших результатов.
Преимущества подхода
Одним из главных преимуществ новой модели является то, что она не требует постоянного переобучения, что значительно ускоряет процесс оптимизации. Это особенно полезно для сложных задач, таких как разработка материалов или создание новых лекарств.
«Современные ИИ и модели машинного обучения могут кардинально изменить подход инженеров и ученых к созданию сложных систем», — говорит Розен Ю, один из авторов исследования.
Применение в реальных задачах
Для проверки эффективности метода исследователи протестировали его на 60 различных задачах, включая проектирование энергосистем и тестирование автомобильных столкновений. В большинстве случаев их метод оказался в 10-100 раз быстрее других алгоритмов.
Однако, стоит отметить, что не во всех задачах новый подход был лучше. Например, в задачах планирования траекторий для роботов результаты были хуже, что, возможно, связано с недостаточным обучением модели на таких данных.
Будущее применения
В будущем исследователи планируют улучшить производительность табличных моделей и применить их к задачам с тысячами измерений, таким как разработка судов. Они считают, что использование таких моделей в инженерных и научных инструментах может значительно расширить возможности классических методов оптимизации.
