通过机器学习技术优化复杂的建模过程

设计一艘太空飞船听起来并不容易。在创建宇宙飞船和其他复杂工程系统所需的时间和精力上，建模扮演着重要角色。它需要进行大量的物理计算，筛选大量不同的模型和部落知识来确定系统设计的奇异部分。

Zohaib Hasnain博士的研究表明，自主系统中使用的数据驱动技术具有更准确，更有效地解决这些复杂建模问题的潜力。他将高性能的人工智能应用于基于物理的过程，旨在“自动化”建模，减少生产解决方案所需的时间并降低生产成本。

Hasnain说：“如果我试图按照设计铅笔的方式进行某些工作，那么设计铅笔就涉及到一个过程。” “根据其他人过去的工作，我已经掌握了一些知识，因此我将采取一定的步骤。任何可以通过流程或纸上算法描述的内容都可以在自治系统的上下文。”

Hasnain是J. Mike Walker '66机械工程系的助理教授，他意识到在航空航天行业工作期间，由于建模工作而导致项目延迟。在进行传统建模过程时，科学家和研究人员必须创建各种模型，其中许多模型都需要测试。此外，通过单个模型进行归档花费的时间太长，无法产生答案。空间系统传统建模的一个例子是计算机流体动力学，即CFD，它使用数值分析来确定解决方案，从而导致计算成本高昂，并且需要人工来进行验证。

Hasnain说：“我一直认为有很多工作要做，因为似乎有能够解决建模瓶颈的自主系统和机器。” “我的研究是了解数据驱动技术如何以及何时受益的第一步，其最终目标是要花费数月或数周的时间来解决一个过程，并在数小时或数天内产生解决方案。”

Hasnain在助理教授Vinayak R.Krishnamurthy博士和研究生研究助理Kaustubh Tangsali的陪同下进行了一项研究，以了解卷积神经网络等常用的机器学习架构(CNN)和物理信息神经网络(PINN)应用于流体预测问题。数据驱动的方法使用预先存在的建模数据库来训练模型，该模型可以通过仔细控制流体的基本物理特性以及流体流动的几何形状来进行控制。然后使用该模型进行预测。他们的研究发现，如果针对解决方案过程的非常具体的方面，CNN和PINN都有优化建模过程的潜力。他们现在正在研究一种混合学习方法，以实现其加快设计过程的最终目标。

Hasnain说：“我们正在寻找一套可以替代旧工具的工具。” “我们正在尝试了解这些新工具在传统上由基于第一原理的解决方案技术控制的应用程序中如何表现。”

研究人员在《机械设计杂志》上发表了他们的发现。他们的文章“用于在几何和物理流体变化中进行气动流场预测的卷积编码器/解码器网络的可推广性”着重于理解尺寸工具，这些尺寸工具有可能替代当前的行业标准建模工具。

从研究结果来看，Hasnain希望建立一个自治基础结构，该基础结构可以从数据收集中提取出通过混合机器学习架构产生建模解决方案。通过算法和预先存在的数据，基础架构将成为一个建模过程，可以应用于现实生活中的各种系统。最终，他计划共享此基础架构以进行广泛的免费使用。

Hasnain说：“我希望这种基础设施能够成为一项社区计划，并向所有人免费提供。” “也许更重要的是，因为它可以产生近乎按需的解决方案，而这与当前的最新建模技术相反，后者非常耗时。”

基础设施处于开发的早期阶段。Hasnain和他的研究人员正在努力在不久的将来生产原型。