물리 기반 AI를 통해 기계 운영자는 신뢰하고 확인할 수 있습니다.

건조기 성능을 최적화해야 했던 농업용 에너지 에탄올 제조업체는 로크웰 오토메이션의 물리 기반 인공 지능(AI) 모델을 채택했습니다. 폐쇄 루프 컨트롤러는 건조 부하를 공장 건조기에서 증발기로 이동시켰고 열 손실을 줄이도록 맞춤화되었습니다. 그 결과 처리량이 12% 증가하고 에너지 효율성이 거의 10% 증가했다고 Rockwell은 말했습니다.

PINN(물리 정보 신경망)과 같은 물리 정보 기반 AI 시뮬레이션이 블랙박스 모델로 간주되는 ANN(인공 신경망 모델)을 대체하기 시작했습니다. 물리 기반 모델은 ANN 시뮬레이션보다 더 정확하고 신뢰할 수 있는 예측을 제공합니다.

Siemens Digital Industries Software의 기술 혁신 이사인 Herman Van der Auweraer는 두 모델 모두 데이터 기반이지만 ANN에는 방대한 양의 운영 데이터가 필요하다고 말했습니다.

인공 신경망 모델은 또한 매우 복잡하며 데이터 벤치마크를 획득하는 데 많은 시간이 걸릴 수 있다고 Case Western Reserve University의 기계 및 항공 우주 공학과 교수이자 의장인 Robert X. Gao가 말했습니다.

“AI/머신 러닝(ML) 모델의 투명성과 해석 가능성의 부족은 제조 분야에서 AI/ML을 널리 채택하는 데 있어 병목 현상으로 잘 인식되어 왔습니다. 본질적으로 제조는 물리적 원리와 법칙을 적용하여 재료를 산업 또는 상업용으로 유용한 제품으로 가공하는 것입니다.”라고 그는 말했습니다.

일부 사람들은 신경망을 AI로 설명할 수 있지만 신경망은 알려진 데이터 포인트(보간) 사이를 예측하는 매우 현명한 방법일 뿐이라고 Siemens Software의 엔지니어링 서비스 이사인 Peter Mas는 말했습니다. ANN을 사용하여 데이터 범위(외삽)를 벗어난 점에 대한 값을 정확하게 예측하는 것은 불가능하다고 그는 말했습니다.

예를 들어, 드물게 발생하는 풍력 터빈 결함과 같은 이벤트는 데이터에 캡처되지 않으며 잘못된 표현으로 이어질 수 있다고 Van der Auweraer는 말했습니다.

Mas는 "어떤 신경망 기술도 이전에 없었던 영역을 예측할 수 없습니다. "그렇게 하려면 외삽이 따라야 할 추세를 알려주는 물리학 법칙을 포함해야 합니다."

로크웰 오토메이션의 고급 분석 이사인 비잔 사야르 로드사리(Bijan Sayyar Rodsari)는 블랙박스 모델에 데이터가 너무 적으면 모델링 중인 시스템의 적절한 동작을 포착하지 못할 것이라고 말했습니다.

그러나 단순히 블랙박스 시스템에 더 많은 데이터를 던지는 것이 항상 정답은 아닙니다.

오버트레이닝으로부터 보호되지 않으면 그러한 시스템은 데이터의 모든 이상을 포착하고 정확한 예측을 하지 못한다고 그는 말했다. 이상 현상과 관련하여 제조업체는 종종 이상이 발견되는 즉시 기계가 종료되기 때문에 방대한 양의 데이터를 수집할 기회를 얻지 못한다고 덧붙였습니다.

데이터와 통찰력이 부족하기 때문에 블랙박스 시스템을 사용하는 제조업체는 최대 효율성을 위한 최적의 지점까지 기계를 밀어붙이지 않고 대신 안전 한계 내에서 실수를 선택한다고 Rodsari는 말했습니다.

Rodsari는 "순수한 데이터 기반 모델은 입력한 데이터에 의해 제약을 받습니다."라고 말했습니다.

또한 폐쇄 루프 시스템을 운영할 의사도 없을 것이라고 그는 말했습니다. "운영자가 모델이 무엇을 하는지 이해하지 못한다면, 그들은 항상 이 모델이 닫힌 루프에서 실행되도록 허용하는 것에 대해 회의적일 것입니다."

러시아 속담인 "신뢰하되 검증하라"는 블랙박스 모델에는 적용되지 않습니다. 모델링 시스템이 어떻게 예측을 내놓았는지 확인하는 것은 거의 불가능합니다. 입력 및 출력을 확인할 수 있는 기능이 없으면 많은 제조 작업자가 모델을 신뢰하지 않으며 결과가 정확하지 않을 수 있기 때문에 그럴만한 이유가 있습니다.

초기 처리가 올바른지 확실히 알 수 있는 유일한 방법은 시행착오를 거쳐야 한다고 Rodsari는 말했습니다.

다음은 Mas의 간단한 예입니다. 고급 신경망 모델에 사과 4개의 무게가 1kg이고 사과 8개의 무게가 2.1kg임을 보여주는 데이터가 있는 경우 6개가 알려진 데이터 포인트 내에 있고 선형 추세의 일부입니다. 그러나 사과 12개의 가능한 무게(데이터 포인트 외부의 숫자)에 대해 질문하면 ANN 모델은 답을 제공하지만 3-3.3kg의 더 합리적인 예측 대신 잠재적으로 5kg 또는 다른 오프베이스 수치를 제공합니다.

Rodsari는 "이 블랙박스 모델은 해석하기 어려운 것으로 판명되었습니다. “관심 있는 변수를 일치시키는 데는 좋지만 그 관계를 설명하는 데는 도움이 되지 않습니다. 이는 이러한 모델을 사용하고 결과가 정확한지 판단해야 하는 사람들의 능력을 방해합니다. 제조 분야의 대부분의 응용 프로그램의 경우 이 관계가 의미 있음을 작업에 확신시키고 품질을 모니터링하는 수단을 갖도록 도우며 작업에 손상을 줄 수 있는 결정을 방지할 수 있는 능력이 필요합니다.

"운영자가 신뢰할 수 있도록 모델의 특성에 대한 가시성을 제공하는 기능이 필요합니다."

적을수록 좋습니다

한편, 물리 기반 AI 시뮬레이션은 기계 및 당면한 문제와 더 관련성이 높고 품질이 더 높은 데이터를 사용하기 때문에 훨씬 적은 양의 데이터를 기반으로 예측할 수 있습니다.

이름에서 알 수 있듯이 물리 기반 AI는 관련 데이터, 물리 법칙, 성능 매개변수 및 모델링되는 기계의 규범과 같은 사전 지식을 통합한다고 Gao는 말했습니다.

Van der Auweraer는 "물리학 법칙은 매우 압축된 방식으로 막대한 양의 정보를 담고 있습니다. “물리 기반 시뮬레이션 방법은 이러한 물리 법칙을 사용하고 있습니다. 따라서 충분한 대표 데이터가 제공될 때까지 기다릴 필요 없이 이러한 지식을 가져와 AI 시스템을 매우 강력하게 앞서 나갈 수 있습니다.”

인코딩된 물리적 지식을 통해 물리 기반 AI 모델은 더 적은 데이터를 기반으로 예측을 할 수 있다고 Rodsari는 말했습니다.

"제조업체에 실시간으로 도움이 되는 모델을 만들고 싶습니다."라고 그는 말했습니다.

물리학에 기반한 AI 모델을 통해 AI는 처리 중인 데이터에서 학습하여 두뇌 학습을 에뮬레이트할 수 있으며 더 많은 데이터를 사용할 수 있게 되면 개선될 수 있다고 Mas는 말했습니다.

그런 다음 제조 엔지니어는 기존 구조와 시스템을 수정하고 조정하여 모델이 공장에서 작동하도록 할 수 있습니다.

"데이터를 관찰할 때 일반적으로 특히 엔지니어의 경우 알고 있는 관계가 있습니다."라고 Mas가 말했습니다. “알려진 물리학과 알려지지 않은 물리학이 있습니다. 이것이 물리 기반 AI가 작동하는 방식입니다. 전체 데이터 관계를 블랙박스로 취급하는 대신 '에너지 보존'이나 '파동과 같은 행동'과 같은 더 복잡한 것과 같은 데이터에 몇 가지 물리적 방정식을 부과하여 기계 학습 알고리즘이 데이터와 물리학 간의 균형. 이것은 일반적으로 데이터의 오류를 최소화하면서 물리를 만족시키는 알고리즘의 목표 함수인 손실 함수를 통해 수행됩니다.”

제조에 영향을 미치기 시작한 PINN

Van der Auweraer는 첫 번째 PINN 응용 프로그램이 적층 제조와 같이 복잡한 모델과 관계가 있는 제조 공정에서 등장하고 있다고 말했습니다.

Van der Auweraer와 Mas는 복잡한 프로세스가 순수한 시뮬레이션 기반 접근 방식을 방해할 수 있고 PINN 접근 방식의 AI가 유망한 결과를 산출할 수 있는 식품 산업이나 제약 가공 산업에 얼리 어답터가 있을 것이라고 말했습니다.

또한 PINN 모델은 노동 집약적인 실험실 테스트 및 설계를 보완하거나 대체할 수 있으며 실험실 테스트의 기존 강점과 물리학 기반 시뮬레이션의 이점을 결합하여 보다 적은 실험실 테스트를 사용하여 훨씬 더 짧은 시간에 새로운 재료와 제품을 정확하게 설계할 수 있다고 Mas는 말했습니다.

회색 상자 가능성 있음

가장 큰 문제는 머신 러닝이 다음과 같은 응용 프로그램 지향 로우 코드 플랫폼을 통해 제품을 개발하는 엔지니어가 사용할 수 있고 액세스할 수 있는 것과는 대조적으로 선호하는 데이터 과학 언어로 스크립트를 작성하는 데이터 과학자에 의해 수행되고 있다는 것입니다. Siemens가 Simcenter 포트폴리오 내에서 현재 개발 중인 ROM 구축 애플리케이션입니다.

"일반적인 구조로 시작할 수 있습니다."라고 Gao가 말했습니다. "혁신은 엔지니어가 창의적으로 수정하고 적응하는 데 달려 있습니다."

Van der Auweraer는 가장 강력한 접근 방식은 인공 신경망 내부의 물리적 관계를 결합하여 해당 네트워크를 보완하거나 신경망 내의 특정 계층이나 구조를 보완하는 것이라고 말했습니다.

그러면 블랙박스가 회색 박스로 바뀝니다.

“이러한 네트워크는 고품질 시뮬레이션에서 훈련을 시작할 수 있습니다. 그는 더 빨리 훈련되고 궁극적으로 수명 주기 동안 제공될 수 있는 모든 데이터에 의해 추가 훈련될 수 있는 보다 응축되고 강력한 네트워크를 위한 내부 물리학 관계를 포함할 수 있다고 말했습니다.