AI for Industry | 超越还是替代
作者：微信文章写在前面的话
把题目定为Industry确实有点大，主要是为了和AI for Science做出区别。这个Industry的内涵还是工业产品设计、制造、使用、维护中与计算相关的技术。
AI是个泛词，几乎快到了加州牛肉面大王的境界了。
到了小编这里，咱还是有明确分寸的。只有两大类：
机器学习和深度学习算法（统称数据驱动）
这一类是基于我们提供的数据类知识，进行特征总结归纳，给我们提供数据预测。机器学习算法和深度学习算法的区别是前者有明确的数学表达式，而且可解释。后者是以代码的形式表达，无法直观解释。
知识图谱（统称知识驱动）
这一类是基于我们提供的文本类知识，进行归纳推理，给我们直接提供结论。
AI工具是替代还是超越？
经典的工业设计和仿真工具，都有明确的数学方程表示，也有明确的物理含义，通常成为物理驱动方法。
以ANSYS/Simens/云道/秩益为代表的国际国内CAE厂商销售的是软件，具体来说就是软件包+许可证+基础培训。这一系列工具算法成熟，结果可信度高。
AI类的工具是不是作为当前软件工具的竞品存在呢？
以数据驱动为代表的AI工具，在工业领域的应用需要有非常深度的技巧。让我们以最简单的带翅片的水冷散热器的AI建模来讨论。
AI建模举例：水冷散热器
目标选择：是预测它的流场？还是预测它的总体性能。
预测流场的话是基于PINN？PCA？CNN？编码器？基本上在选择层面，即便是想掌握判断选择的基本条件都需要数周乃至数月的深入研究。
预测性能的话，是考虑变几何还是变边条？
在这里我们简化为基于边条变化的性能预测。
基于CFD构建水冷散热器的基础模型。
构建数据驱动的采样空间。
数据驱动是在无限维度的微分方程解空间中利用边条实现降维，构建一个解的低维空间。想象一下理论和真实的解是瑞阿姨家的中号咖啡杯（有固定精确的尺寸），
数据驱动的解的空间就是你参照瑞阿姨家的中号咖啡杯，凭借非精确测量做出的复制品。在做这个咖啡杯的时候你只要测量两个直径和一个高度基本上就OK了，那是因为你能看见并理解它。实际上对于散热器性能的解空间来说，我们类似于一个爬在瑞阿姨家咖啡杯上的智慧蚂蚁（可以做三维坐标测量）。问题就是作为智慧蚂蚁，你需要采样多少个点？实际上，作为智慧蚂蚁的我们是根据时间和算力来确定采样空间的，并不是按照真实物理复杂度来确定。
选择AI建模算法。
我们假设进口流速V、进口温度Ti、顶部温度Ttop是自变量，阻力损失Dp，出口平均温度To，顶部热流密度Qt是目标变量。
建模算法是使用回归还是使用神经网络拟合呢？这其实取决于数据的变化梯度，我们假设选择一个简单的MLP基础神经网络算法。这一步其实已经隐藏了很多选择。
训练并测试。训练通常是OK的。测试会有误差，这个误差假设通常为3%。
其实说了这么一大套，我们忘记了一个极其重要的问题，你建这个AI模型是干什么用？模型是个锤子的话，请问你的钉子是什么？你是给谁解决什么问题？
散热器厂家出厂的时候，会附带基础性能表，大体上是换热量MAP，阻力损失等等，那么作为通晓各门绝学，酷暑之下熬夜构建的AI元模型，为用户解决了什么问题呢？
新闻界有个著名的5W问题来定义一条新闻。
AI for Industry三个W是：
●Who：为谁服务？什么业务的什么岗位的什么工作？
●What：解决的是什么问题？
●Why：有什么不得不高大上的理由非要请武林寺的高德大师来演这套螳螂18式AI拳法呢？
如果往回看看上面的文字，结论是非常清楚的。对于一个最简单的散热器的AI建模需要有基础的CFD知识，优化设计知识，AI算法模型知识，丰富的散热器工程经验，但是你替代的可能只是一个最简单的CFD计算。
那么AI散热器模型的算法所得是什么？
超越而不是替代
AI散热器模型可以免除散热计算时候的散热器CFD计算，同时可以为场建模提供高精度边界条件。这就是它的价值。
AI工程建模的存在空间，不是和现有的CAE工具在低维的平面空间竞争，而是跳出工具的维度在更高维度的层面竞争。
AI建模就是要在传统CAE算不准、算不快的领域提供10倍的精度，和1000倍的速度。
AI工程建模的目的就是在速度、精度、广度上超越而不是替代现有的CAE仿真，在当前仿真工具应用范围之外的范围体现价值。
页:
[1]