Altair physicsAI Hakkında Sıkça Sorulan Sorular

Altair physicsAI, geçmiş simülasyon verilerinizden öğrenerek hızlı fizik öngörüleri sunar. Dünyanın önde gelen CAE ortamı Altair HyperWorks üzerinden erişilebilen bu yapay zeka destekli simülasyon ve tasarım teknolojisi, eski tasarım konseptleri, benzer parçalar veya farklı programlar da dahil olmak üzere mevcut tüm simülasyonları kullanarak modelleri eğitir. Parametrik çalışmaların sınırlarından arınmış olan physicsAI, doğrudan mesh veya CAD üzerinde çalışır. Modern, geometrik derin öğrenmeden yararlanan physicsAI, herhangi bir fizik için geometri ve performans arasındaki ilişkiyi öğrenir. PhysicsAI modelleri eğitildikten sonra geleneksel çözücülerden 10x-100x daha hızlı tahminler sunarak ekiplerin daha fazla konsepti değerlendirmesini ve daha iyi tasarım kararları almasını sağlar. Altair physicsAI, gelişmiş geometrik derin öğrenmeyi günlük CAE kullanıcılarına sunmuştur.

Altair HyperWorks 2022.3, geçmiş simülasyon verilerini kullanarak hızlı fiziksel tahminler yapmak için yeni physicsAI teknolojisinin ilk sürümünü içeriyordu. O zamandan beri, kullanıcı geri bildirimleri de dikkate alınarak geliştirilmeye devam ediliyor. Altair HyperWorks 2023, kullanılabilirliği artırmaya ve physicsAI uygulamalarını genişletmeye odaklanıyor. HyperWorks 2023 versiyonu öncesinde, physicsAI hakkında en çok sorulan bazı soruların yanıtlarını bu yazıda bulabilirsiniz. Sorular üç kategoriye ayrılmıştır:

• Veri ve Formatlar
• Hesaplama ve Kaynaklar
• Doğruluk ve Kalite

Veri ve Formatlar

Soru: Eğitim verileri için hangi dosya formatları destekleniyor?

Cevap: Dosya okuma teknolojisi HyperWorks ekosistemine uygundur, örneğin Altair HyperView dosya okuma formatları gibi.

Soru: Geçici (transient) simülasyonlar destekleniyor mu?

Cevap: Evet, hem geçici hem de statik simülasyonlar desteklenir.

Soru: Ne kadar veriye ihtiyacım var?

Cevap: Veriler simülasyon sonuç dosyalarından çıkarılır. İyi kalitede tahminler elde etmek için gereken sonuç dosyası sayısı projeler arasında değişiklik gösterecektir. Fiziğin karmaşıklığına ve verilerdeki varyasyon miktarına bağlı olarak, bazı uygulamalar sadece birkaç sonuç gerektirebilirken, diğerleri düzinelerce hatta yüzlerce sonuç gerektirebilir. Ayrıca, yeterli kalitenin kendisi de subjektif bir değerlendirmedir. Genel bir kılavuz olarak, tahmine dayalı kalite testlerini değerlendirmeden önce en az 10 sonuçla eğitmeniz önerilir.

Soru: Meshlerin aynı sayıda eleman/düğüm noktasına sahip olması gerekir mi?

Cevap: Hayır, eşdeğer meshlere ihtiyaç duymaz. Aşağıdaki şekilde görüldüğü gibi, meshlerin topolojik olarak eşdeğer olmasına bile gerek yoktur.

Soru: Tasarım verileri ne kadar değişebilir?

Cevap: Eğitim verilerinde izin verilen varyasyon için belirli bir sınırlama yoktur. Ancak iki hususu akılda tutmak bilgilendirici olacaktır. İlk olarak, eğitim verileri tahminlerin yapılacağı yeni tasarımları temsil etmelidir. İkincisi, daha yüksek varyasyona sahip veri kümeleri, kaliteyi korumak için buna uygun olarak daha fazla sayıda eğitim örneği gerektirir. Tahmin yaparken, yeni tasarımın eğitim verilerine ne kadar benzer olduğunu ölçmek için güven puanı kullanılabilir.

Hesaplama ve Kaynaklar

Soru: Bir GPU gerekli midir?

Cevap: Hayır. Bir modeli eğitmek için CPU kullanılabilir, ancak GPU’dan daha yavaş olacaktır.

Soru: Hangi GPU’lar destekleniyor?

Cevap: Bir GPU ile eğitmek için CUDA toolkit 11.8 ve cuDNN 8.7’yi yüklemeniz gerekir. Bu, en az Pascal mikro mimarisine sahip bir NVIDIA GPU gerektirir, yani hesaplama kapasitesi > 6.0 olmalıdır.

Soru: GPU ve veri kümesi boyutunun eğitim süreleri üzerinde nasıl bir etkisi vardır?

Cevap: Bilgi işlem kaynaklarının kalitesi eğitim süresini etkileyecektir. Daha iyi donanım çalışma sürelerini iyileştirebilir, ancak CPU’dan GPU’ya geçişteki iyileştirmeler önemli olabilir. Donanımdan bağımsız olarak, eğitim süresi veri kümesi boyutuyla yaklaşık olarak doğru orantılıdır. Temsili bir örnek için aşağıdaki tabloya bakın:

	10 Sonuç Dosyası	50 Sonuç Dosyası	100 Sonuç Dosyası
Dizüstü CPU	44 dk	3 sa 35 dk	7 sa 54 dk
HPC CPU	34 dk	2 sa 46 dk	5 sa 10 dk
GPU	3 dk	16 dk	33 dk

Soru: Bir HPC üzerinde model eğitebilir miyim?

Cevap: Evet, daha fazla bilgi yardım (help) içerisinde yer almaktadır.

Doğruluk ve Kalite

Soru: Sonuçlar doğru mudur?

Cevap: Genel olarak doğruluk, veri miktarına, modeldeki ifade gücü (örn. ağ genişliği ve derinliği) ve ayrılan eğitim süresine bağlı olarak artacaktır. Bununla birlikte, pratik hususlar bu miktarlara sonlu sınırlamalar getirmektedir. Eğitilmiş bir modelin kalite değerlendirmesi, standart bir eğitim sürecinin son adımıdır. Bu, tahminlerin bilinen değerlere karşı test edilmesiyle, örneğin bir test veri kümesinin MAE metrikleri kullanılarak yapılır. (MAE ortalama mutlak hata)

Soru: İyi bir MAE nedir?

Cevap: Bir örnek olarak, ortalama mutlak hatası 4 mm olan bir yer değiştirme tahmin modelini ele alalım. Bu durumu, herhangi bir verilen tahminin ortalama olarak 4 mm kadar yanlış olabileceği şeklinde yorumlayabilirsiniz. Bu, mühendislik açısından ilgi duyulan tahmin edilen yer değiştirmenin 5 mm olduğu bir durumda önemli olabilir, ancak tipik bir değer 500 mm ise daha az önemli olabilir.

Soru: Hangi eğitim ayarlarını kullanmalıyım?

Cevap: Her proje farklıdır. Varsayılan ayarlar başlamak için iyi bir nokta olsa da, en iyi uygulama, ayarları düzenleyerek yeterince yüksek kaliteli bir model elde etmektir. İş akışları, farklı ayarlar arasında sonuçları karşılaştırmak için aynı veri kümesi üzerinde modellerin tekrar tekrar eğitilmesine izin verir. Bu deneyler, benzer projelerin benzer ayarlarla en iyi sonuçları elde edebileceğine dair deneysel kanıtlar sunabilir.

Soru: Eğitilmiş bir model bir çözücünün (solver) yerini alabilir mi?

Cevap: Hem evet hem hayır. Modeller, genellikle bir çözücünün hızlı bir yaklaşımı olarak tasarlanır, bu nedenle genel olarak çözücü düzeyinde doğruluk beklemeyiz. Genellikle çözücüden bir ila üç büyüklük düzeyi daha hızlıdırlar. Bu, çözücü düzeyinde doğruluk elde edilmesine gerek olmadan, yeni tasarım kavramlarını hızla keşfetmenize olanak sağlar. Son tasarım her zaman geleneksel bir çözücü ile doğrulamalıdır. Bununla birlikte, doğru eğitim verileri ve ayarlarla modeller oldukça doğru bir şekilde eğitilebilir.

Sonuç

Altair PhysicsAI‘ya güç veren teknoloji genişlemeye ve gelişmeye devam edecek. Bu sadece uzak bir gelecek vizyonu değil; bu araçlar zaten bugünün yazılımına entegre edilmiş durumda. Gerçekten bu kadar basit! Henüz denemediyseniz, Altair HyperWorks‘ün en son versiyonunu (2022.3) indirin ve yapay zeka destekli tasarıma başlamanın herkes için gerçekten ne kadar kolay olduğunu görün.

Bu teknoloji ilginizi çekiyorsa, aşağıdaki sunumalrı izleyebilirsiniz

PhysicsAI-The Convergence of Geometric Deep Learning and CAE

physicsAI: Accelerate your Design Cycle using Historical Data