MIT’de AI ile Mekanik Tasarımın Geleceği
Mekanik mühendislikte hesaplamalı tasarım süreci genellikle bir problem veya hedefle başlar ve ardından bu sorunu ele almak için mevcut literatürü, kaynakları ve sistemleri değerlendirir. Ancak, MIT’deki Tasarım Hesaplama ve Dijital Mühendislik (DeCoDE) Lab, bunun ötesini keşfetmeye odaklanıyor.
MIT-IBM Watson AI Lab ile birlikte çalışan grubun lideri, ABS Kariyer Geliştirme Yardımcı Profesörü Faez Ahmed ve mekanik mühendislik bölümünde yüksek lisans öğrencisi Amin Heyrani Nobari, makine sistemlerinin tasarımını geliştirmek amacıyla makine öğrenimi ve üretken AI tekniklerini, fiziksel modelleme ve mühendislik ilkeleriyle birleştiriyor. Bu projelerden biri, Linkages, düz çubuklar ve bağlantıların eğri yolları izlemek için nasıl bağlanabileceğini araştırıyor. Ahmed ve Nobari, son çalışmalarını şöyle açıklıyor.
Tasarımda Gözlem Temelli Yaklaşım
Q: Ekip olarak mekanik mühendislik sorularını gözlem temelli bir yaklaşımla nasıl ele alıyorsunuz?
Ahmed: Üzerinde düşündüğümüz temel soru, generatif AI’nın mühendislik uygulamalarında nasıl kullanılabileceğidir. Burada en büyük zorluk, generatif AI modellerine kesinlik katmaktır. Özellikle keşfettiğimiz çalışma şekli, kendinden denetimli karşıt öğrenme yaklaşımlarını kullanarak, tasarımın bağlantı ve eğri temsillerini öğrenmektir.
Hız ve Doğrulukta Yenilikler
Linkajların tasarımında, tasarımın bir dizi çubuğun nasıl bağlı olduğunu yansıttığını açıklıyor. “Birisi bir yol çizebilir ve biz o yolu izleyen bir mekanizma oluşturmaya çalışıyoruz. Bu, problemi daha kesin ve çok daha hızlı çözmemizi sağlıyor; önceki yöntemlere göre 28 kat daha az hata ve 20 kat daha hızlı sonuçlar elde ettik” diyor Ahmed.
Nobari: “Karşıt öğrenme, mekanizmalar arasındaki bağlantıda gerçekleşiyor ve her bir eklem, bir grafikte bir düğüm olarak temsil ediliyor. Düğüm özellikleri arasında konum, alan ve eklem türleri yer alıyor. Bizim mimarimiz, mekanizmanın kinematiğiyle ilgili temel unsurları dikkate alıyor ve bir grafik sinir ağı kullanarak bu mekanizma grafiklerinin gömme (embedding) işlemlerini gerçekleştiriyor.”
İnsan-AI İşbirliği için Yeni Yöntemler
Ahmed: “En belirgin kullanım alanı, makinelerin ve mekanik sistemlerin tasarımıdır. Bu çalışmanın önemli katkısı, öğrenme sürecinin hem kesikli hem de sürekli alanları kapsamasıdır. Disiplinler arası bu yaklaşım, birçok mühendislik uygulamasına genellenebilir.”
Nobari: “Bu tür sistemlerin mekanik mühendislikte oldukça yaygın uygulamaları var; örneğin, otomobil süspansiyon sistemlerinde belirli hareket yollarına ihtiyaç duyuluyor.”
Bu çalışma, MIT-IBM Watson AI Lab tarafından kısmen desteklenmiştir.