Enseñando a la próxima generación de IA mediante el Gemelo Digital

Los ingenieros utilizan cada vez más la inteligencia artificial (IA) para automatizar procesos y tomar decisiones de forma más rápida y eficaz que los humanos. Pero, si bien los ingenieros son expertos en su área de especialización, la mayoría de ellos no son científicos de datos. Y no tienen tiempo para aprender ciencia de datos y escribir el código complejo que requieren los módulos de IA.

Microsoft Project Bonsai ayuda a los ingenieros a crear automatización impulsada por IA sin utilizar la ciencia de datos mediante la conexión gráfica de módulos de software que ya han sido programados para realizar ciertas funciones de IA. Un conjunto completo de funciones conectadas que pueden realizar una tarea se denomina «cerebro». Un cerebro es un módulo de software portátil e independiente que se puede usar como parte de un ciclo abierto para asesorar a un operador humano sobre la mejor decisión que debe tomar, o puede reemplazar al ser humano, tomando decisiones y llevándolas a cabo por sí mismo cuando se configura en modo cerrado. -modo cíclico.

Microsoft está trabajando con el software Ansys Twin Builder para crear gemelos digitales de equipos o procesos que se automatizarán mediante IA. Los gemelos digitales pueden generar las grandes cantidades de datos necesarios para entrenar los cerebros de IA mucho más rápido y a un costo menor que el uso de máquinas físicas para la generación de datos.

Enseñanza automática frente a aprendizaje automático

A medida que los procesos automatizados se vuelven más complejos, el método de entrenar un cerebro de IA también está cambiando. Cuando el objetivo era simplemente el reconocimiento de imágenes o texto, inundar el cerebro de la IA con toneladas de datos etiquetados para que pudiera seleccionar patrones funcionaba bien. Esta es la base del aprendizaje automático (ML).

Pero cuando se confía en la IA para controlar un proceso complejo de varios pasos a escala industrial, el ML no es tan efectivo. La variedad de entradas de numerosos sensores de diferentes tipos simplemente abruma al cerebro.

Entonces, los ingenieros de Microsoft desarrollaron el concepto de enseñanza automática (MT), que se basa más en el enfoque humano del aprendizaje. Así como un profesor de matemáticas no comienza a tratar de enseñar cálculo a los jóvenes estudiantes antes de que dominen los conceptos de la aritmética, los ingenieros no pueden esperar que un cerebro de IA comprenda cómo funciona una turbina eléctrica antes de aprender sobre la rotación.

“Imagínese que está comenzando con el problema más difícil donde las posibilidades de encontrar una solución son casi nulas”, dice Cyrill Glockner, gerente principal de programas en Microsoft. “El cerebro de la IA nunca encontrará la manera de hacer eso. Pero puede avanzar lentamente hacia él siguiendo una combinación de explotación y exploración, aprovechando lo que ya ha aprendido y examinando el entorno de datos para asegurarse de encontrar una solución óptima al problema”.

En la práctica, los expertos humanos primero dividen el proceso en tareas más pequeñas. Luego le dan al cerebro de IA algunos problemas simples para que pueda comenzar a aprender cómo usar sus algoritmos para resolver estos desafíos fáciles. Luego combinan pequeñas tareas que el cerebro ya ha visto en otras más grandes hasta que puede controlar automáticamente sistemas grandes y complejos.

“Básicamente, reducimos el espacio matemático que el cerebro de la IA tiene que mirar al limitarlo a ciertos parámetros y rangos”, dice Glockner. “Luego aumentamos el rango con el tiempo. El cerebro solo tiene que lidiar con el nuevo delta y ya tiene algunos métodos que encontró en el rango anterior más pequeño que también se pueden aplicar a los más grandes”.

El papel de los gemelos digitales

Si bien, como se explicó anteriormente, es importante comenzar con tareas pequeñas y cantidades limitadas de datos cuando se entrena inicialmente un cerebro usando MT, una vez que el cerebro está bien entrenado, requiere grandes cantidades de datos para optimizar completamente sus operaciones.

Por lo general, esto implica generar grandes cantidades de datos mediante la ejecución de un proceso físico una y otra vez. Luego, estos datos se pueden alimentar al cerebro para ajustar su operación en la máquina completa o el proceso para el que fue diseñado para automatizar. Pero generar tantos datos a partir de procesos físicos lleva mucho tiempo y es costoso. Además, si una condición ocurre solo una vez cada trillón de veces, un «caso de esquina», y no se encuentra durante las carreras de entrenamiento, el cerebro no la habrá visto antes y no sabrá cómo reaccionar si la situación ocurre más tarde.

Trabajando con Ansys Twin Builder, Microsoft Project Bonsai supera estas limitaciones ejecutando cientos de modelos virtuales de la máquina o aplicación simultáneamente y alimentando los datos generados por estos gemelos digitales directamente al cerebro para optimizarlo. El uso de una gran cantidad de modelos virtuales en lugar de menos físicos reduce el tiempo y el costo de entrenar un cerebro. También permite a los ingenieros introducir casos de esquina en el entorno virtual, que pueden ser potencialmente peligrosos o dañinos para una máquina física, por lo que el cerebro ha visto todos los escenarios posibles antes de que se ponga en funcionamiento.

Del gemelo digital al aprendizaje automático: cómo funciona

Los ingenieros comienzan utilizando Twin Builder para crear un modelo de nivel de sistema multifísico mediante la combinación de diferentes técnicas de modelado, como el modelado 0D/1D y el modelo de orden reducido (ROM) a partir de resultados de simulación de mayor fidelidad. Estos modelos de mayor fidelidad brindan la mayor precisión de simulación, pero también requieren mucho tiempo y muchos recursos computacionales para ejecutarse. Una ROM es un modelo que es más pequeño y menos computacionalmente intensivo que el original, pero funciona mucho más rápido y sacrifica muy poco en términos de precisión de la física involucrada en las simulaciones. Twin Builder modela el sistema general utilizando bibliotecas de componentes (bombas, válvulas, actuadores, sensores, etc.) y ROM para componentes que requieren predicciones precisas que normalmente no se pueden lograr con el modelado 0D/1D (por ejemplo, una predicción de campo completa de variables físicas), que permite la optimización y validación de opciones de componentes con la respuesta del sistema.

El modelo de gemelo digital basado en la física se puede mejorar aún más al incorporar el conocimiento proveniente de los datos de activos, por ejemplo, para la calibración o el aumento del modelo, lo que conduce a un gemelo digital híbrido.

Los modelos finales se pueden exportar e implementar en forma de un módulo Twin Runtime.

“Podemos integrar Twin Runtimes directamente en Microsoft Bonsai”, dice Christophe Petre, gerente especialista en productos para gemelos digitales en Ansys. “Twin Runtimes viene con una API muy simple, que se puede usar en diferentes lenguajes de programación como una aplicación Python, que les dice a los usuarios cómo manipular los gemelos digitales al transmitir entradas, simular los modelos y recuperar las salidas sin problemas”.

Una vez que la API se integra con Bonsai, los ingenieros pueden determinar si un cambio virtual en cualquier condición operativa mejora el comportamiento del equipo o proceso que desean controlar. También pueden acceder a nueva información, como datos de sensores virtuales (algo que no se puede medir físicamente pero que se puede predecir con el modelo); explorar escenarios hipotéticos; o ejecute simulaciones para ver cómo está envejeciendo el activo para predecir cuándo se requerirá mantenimiento.

Ejemplo de un sistema de control de presión de cabina de avión

Un sistema de control de presión de cabina (CPCS) es una forma de demostrar la tecnología de gemelos digitales y su integración con Bonsai. Un CPCS es un sistema de aviónica diseñado para minimizar la tasa de cambio de la presión de la cabina. Su propósito es garantizar la seguridad de la estructura del avión y de los pasajeros al mismo tiempo que maximiza la comodidad de la tripulación y los pasajeros durante todas las fases del vuelo. Consume parte del consumo total de energía de la aeronave y, por lo tanto, requiere controles complejos.

En Bonsai, los ingenieros pueden construir el cerebro de IA seleccionando y conectando gráficamente bloques funcionales de código de control que toman las temperaturas y presiones de la cabina en varios puntos de la cabina como entradas y emiten comandos activos (por ejemplo, «bajar el aire acondicionado») como salidas.

En Twin Builder, el subsistema de aire acondicionado se puede modelar usando componentes 0D/1D en Modelica, y una representación de alta fidelidad de la cabina del avión se puede modelar con un modelo de dinámica de fluidos computacional (CFD) 3D en Ansys Fluent. Se crea una ROM a partir de este modelo 3D y se conecta al modelo del sistema en Twin Builder. Esto proporciona sensores virtuales precisos distribuidos espacialmente en la cabina para monitorear la presión y la temperatura.

Una vez que el modelo está ensamblado y validado en Twin Builder, los ingenieros pueden generar una aplicación Twin Runtime portátil, plug-and-play. A través de la sencilla API de Python, puede trasladarse a un flujo de trabajo de gemelos digitales y usarse para entrenar un cerebro Bonsai para crear un controlador. En este caso, el gemelo digital hará predicciones de los sensores virtuales y, en base a eso, el controlador de IA tomará medidas en el sistema de aire acondicionado para mantener la presión y la temperatura deseadas.

“En lugar de usar conjuntos de datos de entrenamiento en los que tiene datos etiquetados o no etiquetados para el aprendizaje supervisado y no supervisado, podemos usar la simulación en el gemelo digital como generador de datos”, dice Glockner. “Esto es realmente emocionante para nosotros porque podemos simular muchos gemelos digitales simultáneamente, recopilar los datos, ordenarlos de nuestro lado y asegurarnos de que se generen los datos correctos para un aprendizaje óptimo”.