Dengan AI yang diinformasikan secara fisika, operator mesin dapat memercayai dan memverifikasi

Pembuat etanol energi pertanian yang perlu mengoptimalkan kinerja pengering mengadopsi model kecerdasan buatan (AI) berbasis fisika dari Rockwell Automation. Kontroler loop tertutup memindahkan beban pengeringan dari pengering pabrik ke evaporator dan disesuaikan untuk mengurangi kehilangan panas. Hasilnya:peningkatan 12 persen dalam throughput dan hampir 10 persen peningkatan efisiensi energi, kata Rockwell.

Simulasi AI yang diinformasikan secara fisika, seperti jaringan saraf yang diinformasikan fisika (PIN), mulai menggantikan model jaringan saraf tiruan (JST), yang dianggap sebagai model kotak hitam. Model berbasis fisika menghasilkan prediksi yang lebih akurat dan lebih dapat dipercaya daripada simulasi JST.

Kedua model didorong oleh data, tetapi ANN membutuhkan data operasional dalam jumlah besar, kata Herman Van der Auweraer, direktur inovasi teknologi di Siemens Digital Industries Software.

Model jaringan saraf tiruan juga sangat kompleks dan dapat memakan banyak waktu untuk memperoleh tolok ukur data, kata Robert X. Gao, profesor dan ketua departemen teknik mesin dan kedirgantaraan di Case Western Reserve University.

“Kurangnya transparansi dan interpretasi model AI/machine learning [ML] telah diakui dengan baik sebagai hambatan untuk adopsi AI/ML secara luas di bidang manufaktur. Secara inheren, manufaktur adalah tentang menerapkan prinsip dan hukum fisik untuk memproses bahan menjadi produk yang berguna untuk aplikasi industri atau komersial,” katanya.

Meskipun beberapa orang mungkin menggambarkan jaringan saraf sebagai AI, jaringan saraf hanyalah cara yang sangat cerdas untuk memprediksi antara titik data yang diketahui (interpolasi), kata Peter Mas, direktur layanan teknik di Siemens Software. Menggunakan ANN, memprediksi nilai secara akurat untuk titik di luar rentang data (ekstrapolasi) tidak mungkin dilakukan, katanya.

Misalnya, kejadian seperti kesalahan turbin angin yang jarang terjadi tidak terekam oleh data dan dapat menyebabkan representasi yang salah, kata Van der Auweraer.

“Tidak ada teknik jaringan saraf yang dapat memprediksi di area yang belum pernah ada sebelumnya,” kata Mas. “Untuk melakukan itu, Anda perlu memasukkan hukum fisika yang akan memberi tahu Anda tren apa yang harus diikuti oleh ekstrapolasi.”

Jika model kotak hitam memiliki terlalu sedikit data, itu tidak akan menangkap perilaku yang tepat dari sistem yang dimodelkan, kata Bijan Sayyar Rodsari, direktur analitik lanjutan di Rockwell Automation.

Tapi hanya membuang lebih banyak data pada sistem kotak hitam tidak selalu jawabannya.

Jika tidak dilindungi dari pelatihan yang berlebihan, sistem seperti itu akan mengunci setiap anomali dalam data dan gagal membuat prediksi yang akurat, katanya. Mengenai anomali, seringkali produsen tidak mendapatkan kesempatan untuk mengumpulkan data dalam jumlah besar karena mesin dimatikan segera setelah anomali ditemukan, tambahnya.

Karena kurangnya data dan wawasan, produsen yang menggunakan sistem kotak hitam tidak akan mendorong alat berat sepenuhnya ke sweet spot untuk efisiensi maksimum, malah memilih untuk berbuat salah dalam batas keselamatan, kata Rodsari.

“Model Anda yang murni berdasarkan data pasti akan dibatasi oleh data yang Anda masukkan,” kata Rodsari.

Mereka juga tidak akan mau menjalankan sistem loop tertutup, katanya. “Jika operator tidak memahami apa yang dilakukan model, mereka akan selalu skeptis tentang membiarkan model ini berjalan dalam loop tertutup.”

Pepatah Rusia, "Percaya tapi verifikasi," tidak bekerja dengan model kotak hitam. Memverifikasi bagaimana sistem pemodelan menghasilkan prediksinya hampir tidak mungkin. Tanpa kemampuan untuk memverifikasi input dan output, banyak operator manufaktur tidak mempercayai model—dan dengan alasan yang baik karena hasilnya mungkin tidak akurat.

Satu-satunya cara untuk mengetahui dengan pasti apakah pemrosesan awal itu benar adalah dengan coba-coba, kata Rodsari.

Berikut adalah contoh sederhana dari Mas:Jika model jaringan saraf tingkat lanjut memiliki data yang menunjukkan bahwa empat apel memiliki berat 1 kilogram dan delapan apel memiliki berat 2,1 kg, model tersebut kemungkinan dapat memprediksi dengan benar berat enam apel karena enam berada dalam titik data yang diketahui dan bagian dari tren linier. Tetapi jika ditanya tentang kemungkinan berat 12 apel (angka di luar titik datanya) model JST akan memberikan jawaban tetapi berpotensi 5 kg, atau angka off-base lainnya, alih-alih prediksi yang lebih masuk akal 3-3,3 kg.

“Model kotak hitam ini terbukti sulit untuk ditafsirkan,” kata Rodsari. “Meskipun bagus untuk membuat kecocokan untuk variabel yang menarik, mereka tidak membantu untuk menjelaskan hubungan itu. Itu menghalangi kemampuan orang yang harus menggunakan model ini dan membuat penilaian apakah hasilnya benar atau tidak. Untuk sebagian besar aplikasi di ruang manufaktur, Anda memerlukan kemampuan untuk meyakinkan operasi bahwa hubungan ini bermakna, membantu mereka memiliki sarana untuk memantau kualitas, dan mencegah keputusan yang akan merusak operasi.

“Anda memerlukan kemampuan untuk memberikan beberapa visibilitas ke dalam sifat model sehingga operator dapat mempercayainya.”

Lebih sedikit lebih banyak

Sementara itu, simulasi AI berdasarkan informasi fisika dapat membuat prediksi berdasarkan data yang jauh lebih sedikit karena menggunakan data yang berkualitas lebih tinggi dan lebih relevan dengan mesin dan masalah yang dihadapi.

Sesuai namanya, AI yang diinformasikan secara fisika menggabungkan data yang relevan, hukum fisika, dan pengetahuan sebelumnya, seperti parameter kinerja dan norma dari mesin yang dimodelkan, kata Gao.

"Hukum fisika mengandung banyak sekali informasi dengan cara yang sangat padat," kata Van der Auweraer. “Metode simulasi berbasis fisika menggunakan hukum fisika ini. Jadi, mereka dapat memberikan awal yang sangat kuat untuk sistem AI dengan membawa pengetahuan ini daripada harus menunggu sampai data yang cukup representatif datang.”

Dengan pengetahuan fisik yang dikodekan itu, model AI yang diinformasikan secara fisika dapat membuat prediksi berdasarkan data yang lebih sedikit, kata Rodsari.

“Kami ingin membuat model yang bermanfaat bagi produsen secara real time,” katanya.

Model AI berbasis fisika memungkinkan AI untuk belajar dari data yang sedang diproses, meniru pembelajaran otak, dan dapat meningkat seiring tersedianya lebih banyak data, kata Mas.

Insinyur manufaktur kemudian dapat memodifikasi dan menyesuaikan struktur dan sistem mereka yang ada untuk membuat model bekerja untuk pabrik mereka.

“Ketika Anda mengamati data, biasanya ada hubungan yang Anda ketahui, terutama untuk seorang insinyur,” kata Mas. “Ada fisika yang dikenal dan fisika yang tidak diketahui. Beginilah cara kerja AI yang diinformasikan secara fisika. Alih-alih hanya memperlakukan hubungan data lengkap sebagai kotak hitam, Anda juga dapat menerapkan beberapa persamaan fisik pada data seperti 'konservasi energi' atau hal-hal yang lebih kompleks, seperti 'perilaku seperti gelombang', sehingga algoritme pembelajaran mesin akan keseimbangan antara data dan fisika. Ini biasanya dilakukan melalui fungsi kerugian, yang merupakan fungsi target algoritme untuk meminimalkan kesalahan dengan data sambil memenuhi fisika.”

PINN mulai berdampak pada manufaktur

Aplikasi PINN pertama muncul dalam proses manufaktur dengan model dan hubungan yang kompleks, seperti dalam manufaktur aditif, kata Van der Auweraer.

Pengadopsi awal lainnya akan berada di industri makanan atau industri pengolahan farmasi di mana proses kompleks dapat menghambat pendekatan berbasis simulasi murni dan di mana AI dalam pendekatan PINN dapat memberikan hasil yang menjanjikan, kata Van der Auweraer dan Mas.

Model PINN juga dapat melengkapi atau menggantikan pengujian dan desain laboratorium yang padat karya, kata Mas, menggabungkan kekuatan pengujian laboratorium yang ada dan manfaat simulasi berbasis fisika untuk merancang bahan dan produk baru secara akurat dalam waktu yang jauh lebih singkat dengan menggunakan pengujian laboratorium yang lebih sedikit.

Kotak abu-abu dipandang sebagai kemungkinan

Tantangan terbesar adalah bahwa pembelajaran mesin sedang dilakukan hari ini oleh ilmuwan data yang menulis skrip dalam bahasa ilmu data pilihan mereka, kata Mas, dibandingkan dengan tersedia dan dapat diakses oleh insinyur yang mengembangkan produk melalui platform kode rendah yang berorientasi aplikasi seperti aplikasi ROM Building yang sedang dikembangkan Siemens dalam portofolio Simcenter.

“Anda bisa mulai dengan struktur generik,” kata Gao. “Inovasi terserah para insinyur untuk secara kreatif memodifikasi dan beradaptasi.”

Pendekatan yang paling kuat mungkin menggabungkan hubungan fisika di dalam jaringan saraf tiruan, melengkapi jaringan itu atau sebagai lapisan atau struktur tertentu dalam jaringan saraf, kata Van der Auweraer.

Itu akan mengubah kotak hitam menjadi kotak abu-abu.

“Jaringan seperti itu bisa mulai dilatih dari simulasi berkualitas tinggi. Ini dapat berisi hubungan fisika internal untuk jaringan yang lebih padat dan kuat yang juga akan dilatih lebih cepat dan pada akhirnya dapat dilatih lebih lanjut oleh data apa pun yang mungkin muncul selama siklus hidupnya, katanya.