שיטות אלמנטים סופיים לניתוח צצות בתחומים רבים בתכנון מערכות אלקטרוניות: ניתוח מתח מכני במערכות מרובות מתות, ניתוח תרמי כמקביל לניתוח הקירור והמתח (למשל עיוות) וניתוח תאימות אלקטרומגנטית. (דינמיקת נוזלים חישובית - CFD - היא חיה אחרת שאולי אספר עליה בבלוג נפרד.) כיסיתי נושאים בתחום זה עם לקוח אחר ואני ממשיך למצוא את התחום אטרקטיבי מכיוון שהוא מהדהד עם הרקע הפיזיקלי שלי וחנון המתמטיקה הפנימי שלי (פתרון משוואות דיפרנציאליות). כאן אני חוקר את א נייר האחרון מ-Siemens AG יחד עם האוניברסיטאות הטכניות של מינכן ובראונשווייג.
הצהרת הבעיה
שיטות אלמנטים סופיים הן טכניקות לפתרון מספרי של מערכות של משוואות דיפרנציאליות חלקיות דו-ממדיות/תלת-ממדיות (PDEs) המתעוררות בניתוחים פיזיקליים רבים. אלה יכולים להתרחב מאיך שהחום מתפזר ב-SoC מורכב, לניתוחי EM עבור מכ"ם רכבים, לאופן שבו מבנה מכני מתכופף תחת לחץ, ועד איך החלק הקדמי של מכונית מתקמט בתאונה.
עבור FEM, רשת נבנית על פני המרחב הפיזי כמסגרת נפרדת לניתוח, עדינה יותר סביב גבולות ובעיקר תנאי גבול משתנים במהירות, וגסות גרגירים יותר במקומות אחרים. תוך דילוג על הפרטים העגומים, השיטה מייעלת סופרפוזיציות ליניאריות של פונקציות פשוטות על פני הרשת על ידי שינוי מקדמים בסופרפוזיציה. אופטימיזציה שואפת למצוא את ההתאמה הטובה ביותר בתוך סובלנות מקובלת כלשהי התואמת עם פרוקסי דיסקרטיים עבור ה-PDEs יחד עם תנאים ראשוניים ותנאי גבול באמצעות אלגברה ליניארית ושיטות אחרות.
רשתות גדולות מאוד נחוצות בדרך כלל כדי לעמוד בדיוק מקובל המוביל לזמני ריצה ארוכים מאוד עבור פתרונות FEM בבעיות מציאותיות, והופכות למכבידות עוד יותר בעת הפעלת ניתוחים מרובים כדי לחקור אפשרויות אופטימיזציה. כל ריצה בעצם מתחילה מאפס ללא מינוף למידה בין ריצות, מה שמציע הזדמנות להשתמש בשיטות ML כדי להאיץ את הניתוח.
דרכים להשתמש ב-ML עם FEM
גישה בשימוש נרחב להאצת ניתוחי FEM (FEA) היא בניית מודלים פונדקאיים. אלה הם כמו מודלים מופשטים בתחומים אחרים - גרסאות מפושטות של המורכבות המלאה של המודל המקורי. מומחי FEA מדברים על Reduced Order Models (ROMs) שממשיכים להפגין קירוב טוב של ההתנהגות הפיזית (הדיסקרטית) של מודל המקור, אך עוקפים את הצורך להפעיל FEA, לפחות בשלב אופטימיזציית התכנון, אם כי פועלים הרבה יותר מהר מ-FEA .
אחת הדרכים לבנות פונדקאית תהיה להתחיל עם חבורה של FEAs, להשתמש במידע הזה כמסד נתונים הדרכה כדי לבנות את הפונדקאית. עם זאת, זה עדיין מצריך ניתוחים ממושכים כדי ליצור מערכי אימון של תשומות ותפוקות. המחברים גם מצביעים על חולשה נוספת בגישה כזו. ל-ML אין הבנה מקורית של אילוצי הפיזיקה החשובים בכל היישומים הללו ולכן הוא נוטה להזיה אם מוצג בפניו תרחיש מחוץ לסט האימונים שלו.
לעומת זאת, החלפת FEM ב-a רשת עצבית מיודעת פיזית (PINN) משלבת PDEs פיזיים בחישובי פונקציית אובדן, ובעצם מציגה אילוצים פיזיים למיטובים המבוססים על גרדיאנט. זהו רעיון חכם אם כי מחקרים שלאחר מכן הראו שבעוד שהשיטה עובדת על בעיות פשוטות, היא מתקלקלת בנוכחות של תכונות בתדר גבוה ורב קנה מידה. מאכזב גם הוא שזמן האימון עבור שיטות כאלה יכול להיות ארוך יותר מזמן הריצה של FEA.
מאמר זה מציע חלופה מסקרנת, לשלב אימוני FEA ו-ML בצורה הדוק יותר, כך שפונקציות אובדן ML מתאמנות על חישובי שגיאות FEA בהתאמת פתרונות ניסוי על פני הרשת. יש דמיון מסוים לגישת PINN אבל עם הבדל חשוב: הרשת העצבית הזו פועלת יחד עם FEA כדי להאיץ את ההתכנסות לפתרון באימון. מה שככל הנראה מביא לאימון מהיר יותר. בהסקה מודל הרשת העצבית פועל ללא צורך ב-FEA. לפי בנייה, מודל שאומן בצורה זו צריך להתאים באופן הדוק לאילוצים הפיזיים של הבעיה האמיתית, מכיוון שהוא אומן מקרוב מול פותר מודע פיזית.
אני חושב שהפרשנות שלי כאן די מדויקת. אשמח לתיקונים ממומחים!
שתף את הפוסט הזה באמצעות:
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
- PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
- PlatoESG. פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
- PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
- מקור: https://semiwiki.com/artificial-intelligence/341034-blending-finite-element-methods-and-ml/
- :יש ל
- :הוא
- $ למעלה
- a
- אודות
- תקציר
- להאיץ
- קביל
- דיוק
- מדויק
- לרוחב
- AG
- נגד
- מטרות
- תעשיות
- גם
- חלופה
- an
- מנתח
- אנליזה
- ו
- אחר
- יישומים
- גישה
- ARE
- AREA
- מתעורר
- סביב
- AS
- At
- מושך
- מחברים
- רכב
- מודע
- רקע
- BE
- כי
- התהוות
- היה
- התנהגות
- הטוב ביותר
- בֵּין
- הִתמַזְגוּת
- בלוג
- שניהם
- גבולות
- הפסקות
- לִבנוֹת
- צרור
- אבל
- by
- לעקוף
- CAN
- מכונית
- CFD
- לקוחות
- מקרוב
- לשלב
- בדרך כלל
- מורכב
- מורכבות
- הענות
- חישובית
- תנאים
- עִקבִי
- אילוצים
- בנוי
- בניה
- להמשיך
- התכנסות
- תיקונים
- עמיתו
- לכסות
- מכוסה
- להתרסק
- יבול
- מסד נתונים
- עיצוב
- פרטים
- הבדל
- אחר
- מאכזב
- תחום
- תחומים
- מטה
- דינמיקה
- כל אחד
- אֶלֶקטרוֹנִי
- אלמנט
- במקום אחר
- משוואות
- שגיאה
- במיוחד
- מַהוּת
- למעשה
- אֲפִילוּ
- תערוכה
- מומחים
- לחקור
- להאריך
- למדי
- מהר יותר
- תכונות
- מתאים
- הוֹלֵם
- נוזל
- דינמיקת נוזלים
- בעד
- מסגרת
- תדר
- החל מ-
- חזית
- מלא
- פונקציה
- פונקציות
- חנון
- ליצור
- טוב
- יש
- כאן
- גָבוֹהַ
- איך
- אולם
- HTTPS
- i
- רעיון
- if
- חשוב
- in
- באחר
- משלבת
- מידע
- הודעה
- בתחילה
- פְּנִימִי
- תשומות
- פענוח
- אל תוך
- מסקרן
- החדרה
- IT
- שֶׁלָה
- גָדוֹל
- מוביל
- למידה
- הכי פחות
- תנופה
- כמו
- ארוך
- עוד
- את
- רב
- מתמטיקה
- max-width
- מֵכָנִי
- לִפְגוֹשׁ
- רשת
- שיטה
- שיטות
- יכול
- דקות
- ML
- מודל
- מודלים
- יותר
- הרבה
- מספר
- מינכן
- my
- יליד
- צורך
- נחוץ
- נטו
- עצביים
- לא
- of
- on
- הזדמנות
- אופטימיזציה
- מייעל
- להזמין
- מְקוֹרִי
- אחר
- הַחוּצָה
- פלטים
- בחוץ
- מאמר
- שלב
- גופני
- פיזית
- פיסיקה
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- נקודה
- אפשרויות
- הודעה
- נוכחות
- מוצג
- בעיה
- בעיות
- פרוקסי
- מכ"ם
- מהר
- ממשי
- מציאותי
- מופחת
- דורש
- מחקר
- מהדהד
- תוצאות
- הפעלה
- ריצה
- פועל
- תרחיש
- לגרד
- נפרד
- סט
- סטים
- צריך
- הראה
- סימנס
- פָּשׁוּט
- פשוט
- since
- So
- פִּתָרוֹן
- פתרונות
- לפתור
- פותר
- כמה
- מָקוֹר
- מֶרחָב
- התחלה
- התחלות
- עוד
- לחץ
- מִבְנֶה
- לאחר מכן
- כזה
- מציע
- חֲפִיפָה
- מערכת
- מערכות
- לדבר
- טכני
- טכניקות
- מֵאֲשֶׁר
- זֶה
- השמיים
- המקור
- שם.
- לכן
- תרמי
- אלה
- לחשוב
- זֶה
- אם כי?
- דרך
- זמן
- פִּי
- ל
- יַחַד
- סובלנות
- נושאים
- רכבת
- מְאוּמָן
- הדרכה
- מִשׁפָּט
- תחת
- הבנה
- אוניברסיטאות
- להשתמש
- מְשׁוּמָשׁ
- באמצעות
- משתנה
- גירסאות
- מאוד
- באמצעות
- דֶרֶך..
- חולשה
- ברוך הבא
- מתי
- אשר
- בזמן
- באופן נרחב
- עם
- בתוך
- לְלֹא
- עובד
- היה
- זפירנט