La nueva nueva plataforma AI Solver de Fujitsu permite la próxima generación de Simuladores de Inteligencia Artificial en Tiempo Real

varios_logo_fujitsu1Fujitsu Laboratories of Europe anuncia el desarrollo de una nueva plataforma y tecnología basada en IA, diseñada para convertir los simuladores tradicionales basados en la física en simuladores de IA rápidos y altamente precisos. El AI Solver de Fujitsu representa un importante avance para las aplicaciones industriales, revolucionando campos como el CAE, el diseño de productos y el rendimiento de dispositivos inteligentes autónomos. En el caso de CAE, la simulación desempeña un papel clave en la reducción del número de prototipos costosos y fallos en los productos, con lo que apoya las decisiones de diseño, así como la verificación y validación. El AI Solver revoluciona la velocidad del proceso de simulación, con ventajas empresariales proporcionales. La plataforma es el resultado de un programa de desarrollo conjunto entre Fujitsu Laboratories Ltd, Fujitsu Advanced Technologies Ltd y Fujitsu Laboratories of Europe.

El AI Solver de Fujitsu acelera significativamente el tiempo en las simulaciones basadas en física, que generalmente involucran cálculos complicados que pueden tardar varias horas para un solo proceso. Fujitsu ha reducido esto de horas a sólo milisegundos, sin comprometer el rendimiento (<2% de discrepancia en comparación con las contrapartes basadas en la física). La generación de grandes bases de datos de resultados de simulación, junto con la formación de grandes redes neuronales profundas, son tareas complejas y que requieren mucho tiempo. Fujitsu ha combinado múltiples elementos para lograr el rendimiento del AI Solver, utilizando las características de datos de la red neuronal profunda de los simuladores basados ​​en IA, para reproducir el comportamiento de los simuladores basados en física y crear automáticamente aproximaciones altamente específicas en tiempo real en comparación con horas o días. Esto implica aprender de grandes bases de datos de resultados de simulación mientras se siguen generando datos y reduciendo el tiempo requerido en un tercio.

Las aplicaciones potenciales para el AI Solver de Fujitsu son extensas. A nivel de diseño de productos, puede permitir a los diseñadores recibir opiniones en tiempo real, en lugar de esperar horas para obtener resultados. En cuanto a los dispositivos inteligentes, que incluyen robots que necesitan adaptarse a su entorno de forma autónoma, los resultados de la simulación en tiempo real aumentarán drásticamente la eficiencia y la autonomía, en comparación con el uso de heurísticas simples.

Los ejemplos de la plataforma Fujitsu AI Solver incluyen la conversión de dos tipos muy diferentes de simuladores basados en física en simuladores IA. El primero incluye un simulador de transferencia de calor en 3D que modela la interacción térmica entre sólidos y fluidos, que a menudo se usa para diseñar y verificar el enfriamiento de los componentes electrónicos. Consiste en una simulación multifísica que requiere el manejo de múltiples propiedades de materiales, fuentes de energía y radiación.

El segundo ejemplo es un simulador electromagnético computacional que modela la magnetización de un sólido que está sujeto a la influencia de un campo magnético externo, a menudo utilizado para el diseño de cabezales de disco duro u otros dispositivos de memoria. Como se muestra en los ejemplos de abajo, los resultados de los simuladores basados en la física de referencia y sus contrapartes de IA son casi indistinguibles, es decir, la discrepancia es inferior al 2%.

Fujitsu Laboratories of Europe es un Centro de Excelencia para la investigación avanzada de Fujitsu sobre aprendizaje automático y profundo, como parte de las soluciones y servicios digitales que se desarrollan bajo el enfoque del Fujitsu Human Centric AI, denominado Zinrai. Las actividades de Fujitsu Laboratories of Europe incluyen una amplia colaboración y co-creación con clientes de Fujitsu y organizaciones de investigación en toda Europa, incluido el Hospital Clínico San Carlos en Madrid (con HIKARI AI intelligent healthcare solution), y la Universidad de Sevilla (análisis de datos para aplicaciones turísticas).

Sobre la tecnología
Los intentos anteriores de crear simuladores de IA dirigidos solo a una aplicación específica, impulsada por una arquitectura de red profunda hecha a medida, con una única característica para el usuario, que es la capacidad de modificar la forma del objeto que se está simulando, mientras todas las demás condiciones de simulación permanecen constantes. Para ampliar la aplicabilidad de los simuladores de IA, Fujitsu ha desarrollado una nueva arquitectura de red profunda capaz de manejar no solo la geometría, sino también una amplia gama de propiedades físicas como las de materiales, radiación o campos magnéticos externos. Esto se logra asignando automáticamente cada propiedad física a un campo de propiedad, que está vinculado a la geometría, con todos los campos creados posteriormente y proporcionados a la red como canales de entrada separados. Se hace de tal manera que permite a la red aprender con precisión la contribución de cada propiedad a la salida final. Aunque a veces se requiere el ajuste de híper-parámetros, la misma arquitectura de red se puede usar para muchos tipos de simuladores de IA, que se aproximan a fenómenos físicos muy diferentes. El uso de una arquitectura de red única permite el uso de una tubería común con operaciones de entrada y salida estandarizadas.

Con la ejecución de una simulación basada en la física de horas a días, la generación de bases de datos con decenas de miles de elementos de datos puede ser un proceso muy lento. Una vez que se han generado los datos, la formación de la red profunda en sí misma requiere una gran cantidad de tiempo, especialmente cuando la red necesita ser entrenada varias veces para optimizar sus híper-parámetros. Para acortar el tiempo total de aprendizaje, la plataforma Fujitsu AI Solver se superpone a la generación de datos en paralelo con el ajuste de los híper-parámetros. El proceso de ajuste comienza tan pronto como se genera una pequeña cantidad de datos (por ejemplo, 10-20%) y continúa a medida que avanza la generación de datos. El resultado final es que es posible obtener una red completamente capacitada casi inmediatamente, después de que se haya completado la generación de datos.

Anuncios

Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión /  Cambiar )

Google+ photo

Estás comentando usando tu cuenta de Google+. Cerrar sesión /  Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión /  Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión /  Cambiar )

Conectando a %s

This site uses Akismet to reduce spam. Learn how your comment data is processed.