Physics AI: een krachtige combinatie van machine learning en fysica

Veel van onze klanten werken aan software voor het simuleren of voorspellen van natuurlijke processen zoals waterstromen en de processen in industriële installaties. Gezien de stormachtige ontwikkelingen op het gebied van AI komt al snel de vraag op of dat ook bruikbaar is voor dit soort berekeningen met een fysische achtergrond. Het antwoord is: ja, maar…

Kansen in de AI-economie

Voordat we daarop ingaan, is het goed om even stil te staan bij het feit dat dit soort toepassingen bij uitstek kansen biedt in een economie waarin AI een belangrijke rol speelt.

In een recent rapport werd mooi aangegeven dat de hoeveelheid data voor het trainen van taalmodellen eindig is en al vrijwel volledig gebruikt wordt. Daarentegen is data uit metingen niet eindig: elke dag weer worden terabytes aan meetdata gegenereerd. Dat betekent dat er een enorme opening ligt om die data met machine learning nuttig te gaan gebruiken. Nederland kan zich bij uitstek onderscheiden door applicaties te bouwen op gegevens die uniek zijn voor ons land, zoals uit de land- en tuinbouw of uit de civiele techniek.

Leren op basis van natuurwetenschap

De aard van meetdata is wel heel anders dan de tekstdata waarmee taalmodellen getraind worden. Meetdata is vaak multidimensionaal (naast de waarde zelf bijvoorbeeld ook de coördinaten van het meetpunt), er kunnen fouten in de data zitten (bijvoorbeeld door een verkeerde kalibratie van het meetapparaat) en er moet rekening gehouden worden met de nauwkeurigheid van metingen.

Sowieso kunnen sensoren meestal maar een relatief klein deel van een proces observeren waardoor de context incompleet is. Dit alles betekent dat het trainen van AI met meetdata niet hetzelfde is als het trainen van taalmodellen.

Daar komt nog bij dat veel toepassingen waarin modellen van de fysische werkelijkheid gebruikt worden een lage tolerantie hebben voor de hallucinaties die van taalmodellen bekend zijn. Betrouwbaarheid is essentieel als je het AI-model wilt gebruiken bij de aansturing van een apparaat of voor maatregelen in de omgeving.

Maar tegenover deze moeilijkheden staat een heel groot voordeel: van veel van de processen die deze data genereren kennen we de achterliggende fysische processen. Door gebruik te maken van die kennis kunnen we met meetdata alsnog AI-modellen ontwikkelen die betrouwbaar genoeg zijn voor toepassing in de fysieke wereld.

Use cases

De technologie om machine learning modellen te trainen die natuurwetten respecteren komt nu op de markt onder de wat twijfelachtige maar compacte term Physics AI. In essentie is een drietal use cases voor onze klanten van belang:

1. Het ontwikkelen van snelle surrogaatmodellen op basis van machine learning. Een machine learning model kan heel snel antwoorden genereren waar traditionele modellen vaak urenlange berekeningen nodig hebben. Zo’n machine learning model kan dan dienen als stand-in of surrogaat voor het traditionele model, bijvoorbeeld bij optimalisatieberekeningen of scenariostudies.
2. Het modelleren van de verschillen tussen metingen en (traditionele) modellen. Elk model is een benadering van de werkelijkheid en meestal wordt er bewust een stuk fysica weggelaten. Bijvoorbeeld omdat die ontbrekende fysica niet goed te beschrijven is. In dat geval kan een machine learning model getraind worden om die ontbrekende fysica toch mee te nemen.
3. Modellen ontwikkelen op basis van sensorgegevens. Door gebruik te maken van Physics AI-technieken kunnen betrouwbare AI-modellen gegenereerd worden, zelfs met sensordata die verre van perfect is.

In ons recente whitepaper over dit onderwerp leest u hier meer over.

De technologie

Er zijn allerlei manieren om gebruik te maken van fysische kennis. Zo kan bijvoorbeeld extra (synthetische) data gegenereerd worden met traditionele modellen. Of natuurwetten kunnen gebruikt worden om het AI-model tijdens het trainen te belonen als het zich aan zo’n wet houdt. Het levendige vakgebied van scientific machine learning ontwikkelt in hoog tempo nieuwe technieken en het aantal papers dat erover verschijnt is nauwelijks bij te houden.

Bij VORtech zijn we hard bezig om competentie op te bouwen op het gebied van Physics AI. Door interne verkenningen achterhalen we welke technieken geschikt zijn voor welke toepassing en wat de valkuilen zijn. Een voorbeeld hiervan is de ontwikkeling van een surrogaatmodel voor een lopende band. Een ander voorbeeld is het stageproject dat we samen met onderzoeksinstituut Deltares hebben laten doen rondom het voorspellen van overstort bij heftige regenval.

Hoe wilt u dit gaan gebruiken?

VORtech is bezig om te onderzoeken hoe ze haar klanten het best kan ondersteunen in het gebruik van Physics AI. Help ons daarbij en vul nu de korte enquête in. Onder de deelnemers verloten we drie boekenbonnen ter waarde van 25 euro.

Meer weten?

Als u wilt weten wat Physics AI voor uw toepassing kan betekenen, neem dan vooral contact met ons op. We komen graag in gesprek met belangstellenden, ook om zelf te leren wat de behoeften in de markt zijn. U kunt ons bereiken via het contactformulier op onze website of door ons te bellen op nummer 015-285 01 25.