设计工程工作流中的深度学习不仅仅是算法。您应该考虑开发的所有阶段,包括真实和综合数据,特定于域的预处理以及作为完整解决方案一部分的部署策略。 ©1984–2019 The MathWorks,Inc.

深度学习与设计工程

设计师在自己的设计流程中将AI和深度学习融入到新产品中。

设计师在自己的设计流程中将AI和深度学习融入到新产品中。

人工智能(AI)正成为硬件和软件技术领域的常见组成部分,包括使用机器学习和深度学习。设计工程师将面临挑战,要求他们在自己的设计过程中同时使用深度学习和机器学习,以更快地探索设计空间并优化最终设计,并将深度学习功能纳入其用于自动驾驶汽车,智能医疗设备的产品设计中和其他商品。

尤其是深度学习,正在以各种方式在工程领域占据一席之地。该算法使用神经网络中的数学模型来识别数据模式并对其进行响应。这可以用于图像,视频,声音,文本和任何其他类型数据中的模式识别。在设计中,将深度学习和设计过程集成在一起可以帮助更快地将更好的产品推向市场。

“深度学习和设计工程学可以互相学习很多,并产生令人惊讶的结果。”

—Leslie Nooteboom,人性化的自治

CDO和联合创始人Leslie Nooteboom表示,设计工具可以应用于深度学习过程,以帮助收集和注释数据以及开发实际应用程序。 人性化的自治 。同样,深度学习可用于改进现有产品和开发新产品。

“在开发阶段,可以使用深度学习来开发和试验产品的智能方面。然后,深度学习可以帮助评估来自实施的数据,” Nooteboom says.

他的公司Humanizing Autonomy正在建立计算机视觉模型来预测“人类行为的广度”以提高自动驾驶汽车和其他系统的安全性和效率。“这些解决方案无疑有助于许多新产品的早期开发,” Nooteboom says. “深度学习工程师与设计工程师之间在行业层面上进行更多协作的情况要少得多,这很可惜。深度学习和设计工程学可以互相学习很多,并产生令人惊讶的结果。”

设计深入

深度学习已在整个设计过程中使用,从研究灵感到应用程序编程接口,使设计人员可以将语音识别添加到原型中。“目前,我们只是在探讨深度学习的功能,”Naji El Masri表示, Noesis解决方案. “目前,我们正在使用它来提供准确的模型,使工程团队可以更好地了解系统的行为。这种方法非常有效,尤其是在处理大量常规方法无法处理的数据时。但是,深度神经网络(DNN)的功能远不止于此。它们具有以几乎任意精度再现复杂非线性系统行为的能力…启用大量应用程序。”

El Masri表示,通过用高保真响应曲面模型(RSM)或功能模型单元(FMU)替换这些组件模型,DNN可以使计算成本较高的组件模型更有效地集成到系统仿真模型中。

其他潜在的应用包括对复杂的计算流体动力学(CFD)图像进行分析,以找到诸如湍流之类的特定特征,或者评估大量不同设计的可行性。

ANSYS首席技术官Prith Banerjee表示,用例的高级模拟可以帮助生成深度学习所需的数据—例如,对于自动驾驶汽车,模拟有助于生成车辆可能遇到的可能情况。同时,人工智能和机器学习可以通过自动化一些仿真管理和生成来改善仿真。

深度学习还可以使设计和许多其他过程中的缺陷检测自动进行,计算机视觉和自动驾驶技术首席产品经理Avinash Nehemiah表示: MathWorks. “确实,您可以在有足够的数据可以学习特定任务的任何地方使用它,” Nehemiah says. “We’再次看到用户应用了深度学习,并被设计工程工作流程中的各种应用所震惊。”

工程师还使用语音识别,语言处理和图像处理将深度学习纳入他们设计的产品中。 Banerjee说,ANSYS客户正在使用深度学习来提高产品中预测性维护和分析的准确性,从而帮助改善物联网(IoT)应用程序。“您可以使用模拟来补充机器学习,并提高预测质量,” he says.

人工智能还是增强现实和虚拟现实(AR / VR)系统工作方式的重要组成部分,特别是在工程师或客户将与设计的真实渲染进行交互的应用程序中,或者在这些模拟环境可用于训练深度学习模型的应用程序中。例如,该技术用于增强诸如眼动追踪或手部运动之类的任务。

工程软件工具越来越多地采用深度学习技术,以增强设计流程并将AI集成到新产品中。 英伟达’例如,Isaac Gem套件可用于开发解决方案,以解决机器人系统中的感知,导航,操纵和控制问题。开发人员可以使用逼真的虚拟仿真环境来训练和测试机器人软件。

MathWorks在其最新版本的MATLAB和Simulink中添加了更多的深度学习增强功能,用于设计和实现深度神经网络和AI开发。深度学习工具箱可用于训练用于计算机视觉,信号处理和其他应用程序的深度学习网络。 Deep Network Designer应用程序使用拖放界面来帮助工程师构建,可视化和编辑深度学习网络。

“如果工程师或数据科学家想要检测特定区域,我们可以提供用于标记图像,视频和音频信号,” Nehemiah says. “We’ve还为工程师提供了一种无需编程即可以图形方式尝试不同的机器学习技术的方法。”

深度学习数据挑战

将深度学习与设计相结合需要在培训和资源上进行投资,并需要强大,定义明确的用例来识别神经网络的合适任务,以“learn.”

“另一方面,可能需要付出一些努力才能使人类的专业知识和机器模型有效地协同工作,” El Masri says. “在设计专家的背景下,尤其是在这样的情况下,尤其是在人类专家知识渊博的时候。”

Nooteboom表示,在深度学习和设计工程领域建立共识是另一个挑战。“[深度学习]工程师常常因为过于模糊而忽略了设计过程,而设计师常常因为复杂性而忽略了工程方面。深度学习工程师需要努力学习设计过程,而设计工程师则需要对深度学习有基本的了解,但是他们的互动无疑会提高两个技能领域,” he says.

“存在一些与工作流程相关的挑战,” Banerjee adds. “您如何整合机器学习数据和模拟数据?我们正在与客户合作以解决其中的一些问题,特别是他们遇到的工作流程问题。”

成功利用深度学习的最大障碍之一是确保您拥有正确的数据来 “feed”神经网络。每个应用程序对数据收集,过滤和标记都有不同的要求。大多数应用程序将需要大量的时间密集型数据准备。

Nooteboom使用了一个深度学习模型的示例,该模型应该能够识别驾驶汽车的人何时感到不适。“尚无此类行为的数据集,因此您必须创建自己的行为,” he says. “设计工程师拥​​有更多的工具来了解如何收集数据。进行客户旅程可以让您了解驾驶汽车时某人会经历的全部情感。寻找可能表明某人是否沮丧的人类行为对于注释也很重要。而且,不要忘记,在遵循严格的隐私法规时,了解促使某人访问此类数据的动机至关重要。”

数据偏向是解决面部识别等应用程序时出现的另一个问题—当涉及种族,种族,性别或体形时,系统会在相对狭窄的脸部上进行训练。设计人员必须确保他们使用最广泛,最具代表性的信息来填充数据集。

“最重要的是,人们错误地认为深度学习可以吸收和处理抛出的各种数据,” El Masri says. “尽管比传统的机器学习有更多的灵活性,但这仍然不是事实。应该在清理和格式化数据上投入大量精力,因此训练深度神经网络很有用。但是,这比机器学习更多的是软件工程。”

数据标记可能既费力又昂贵。“另一个挑战是涉及复杂的数学,” Nehemiah says. “您有数百万个看起来像黑匣子的操作,所以它’了解导致机器学习工具预测其预测内容以及原因的重要因素。这为评估工具带来了价值。”

Banerjee指出,机器学习和深度学习技术实际上可以用来帮助改善数据收集。“人们通常会根据真实的运行数据进行机器学习,但是在无人驾驶汽车等应用中,您将需要行驶数亿英里才能获得所需的所有潜在数据,” Banerjee says. “我们可以使用仿真来对现实系统建模。”

投资数据科学,深度学习专业知识

深度学习与无限制的计算和3D打印相结合,将在实现生成性设计解决方案以及确定推测性设计项目中发挥关键作用,这些项目试图预测未来产品的运行方式。

随着越来越多的基于AI的解决方案在该领域出现,Banerjee说,公司将需要在数据科学专业知识上进行投资,以在设计过程中有效地使用深度学习。“我们的客户已经在招聘数据科学专家,” he says. “它需要那种生态系统才能发挥作用。我们的客户需要知识渊博,而我们也需要知识渊博。

“聘请深度学习工程师可能是一个挑战,因为这个领域最近才变得如此庞大,” Nooteboom says. “所需的专业知识水平取决于应用程序。如果工程师必须开发新的模型架构,则需要几年的经验。如果工程师需要使用新数据对现有模型进行再培训,则需要的资历就更少了。在设计工程师方面,对深度学习开发过程及其局限性的了解至少是他们应具备的能力。”

公司还应该准备投资进行新的研究,以确保他们不仅拥有足够的知识基础,而且知道在何处应用该技术。“要利用深度学习,仅执行文献中已经探讨过的方法是不够的(对于特定的用例甚至可能不存在)。必须进行实际的研究,” El Masri says. “对于希望在工程学中利用深度学习的公司来说,机器学习的研究应该是第一个目标。”

更多ANSYS报道

更多MathWorks报道

更多Noesis解决方案覆盖范围

英伟达的更多报道

Share This Article

订阅我们的免费杂志, 免费的电子邮件通讯或两者兼而有之!

加入超过90,000名工程专业人员的行列,他们将在新闻发布后立即获得最新的工程新闻。


#22319