Инженеры часто сталкиваются с проблемами, которые требуют анализа множества переменных. Это актуально как при оптимизации энергосетей, так и при проектировании автомобилей. Например, в автомобильной индустрии необходимо учесть сотни элементов, чтобы улучшить безопасность. Однако классические методы оптимизации становятся неэффективными, когда количество переменных зашкаливает.
Революция в инженерии: алгоритм нового поколения
Исследователи из MIT предложили новый подход, который переосмысливает классический метод байесовской оптимизации. Их инструмент позволяет решать задачи с сотнями переменных в десятки раз быстрее, чем существующие методы.
Ключевым элементом системы является табличная модель, обученная на огромных объемах данных. Эта модель автоматически определяет, какие переменные наиболее значимы для улучшения результата, и повторяет процесс, чтобы достичь наилучшего решения. В отличие от других, эта модель не требует постоянного переобучения, что значительно ускоряет процесс.
Как работает новая технология?
Табличная модель, по сути, является аналогом ChatGPT для работы с табличными данными. Она обучена распознавать ключевые переменные, которые имеют наибольшее влияние на результат. Это позволяет сосредоточить усилия на самых значимых факторах, избегая ненужных вычислений.
Таким образом, если, например, увеличение размера передней зоны деформации автомобиля значительно повышает его безопасность, алгоритм сосредоточится на этом параметре.
Преимущества и будущее применения
Метод MIT уже протестирован на 60 различных задачах, включая проектирование энергосетей и тестирование безопасности автомобилей. В большинстве случаев он оказался в 10–100 раз быстрее существующих алгоритмов.
Тем не менее, метод пока не всегда превосходит другие подходы, например, в задачах планирования траекторий роботов. Это может быть связано с недостаточной проработанностью данных для таких сценариев.
В будущем исследователи планируют расширить применение своей технологии на задачи с тысячами переменных, такие как проектирование кораблей.
Основа для будущих разработок
Эта работа MIT подчеркивает тенденцию использования фундаментальных моделей не только для распознавания образов или обработки языка, но и в качестве алгоритмических двигателей в научных и инженерных инструментах. Это открывает новые горизонты для классических методов, таких как байесовская оптимизация, и делает их более доступными.
Профессор Вэй Чен из Северо-Западного университета, не участвовавший в исследовании, отметил, что это практический и мощный шаг к упрощению процесса дизайна и оптимизации в реальных условиях.
