Physics AI

Zie ook onze blog over machine learning.

Zie ook ons whitepaper over physics AI

Welke use cases zijn er voor physics AI?

Snelle surrogaatmodellen

Machine learning modellen hebben het voordeel dat ze heel snel een antwoord geven. Dat maakt ze bij uitstek geschikt voor model-in-the-loop control, voor scenariostudies waarbij veel scenario’s doorgerekend moeten worden en bij crisissituaties waarin snel voorspellingen nodig zijn.

Voor natuurwetenschappelijke processen kan zo’n snel machine learning model worden verkregen door het te trainen met de resultaten een model dat gebaseerd is op natuurwetenschappelijke kennis. Zie ook deze case study.

Overigens is machine learning slechts één van de manieren om een ​​model sneller te maken. Zie ook onze whitepaper over het versnellen van computermodellen.

Machine learning modellen voor sensordata

Sensordata bevat vaak fouten en is vaak beperkt in omvang of bereik. Dat maakt het vrijwel onmogelijk om een betrouwbaar machine learning model te trainen met dergelijke sensordata. Dat wordt wel mogelijk door bij het trainen ook gebruik te maken van natuurwetenschappelijke kennis van het proces dat de data genereert.

Overigens zijn er ook andere methoden om sensorgegevens te combineren met wetenschappelijke kennis. Zie onze pagina over modellen en sensorgegevens.

Ontbrekende fysica toevoegen

Sommige simulaties of voorspellingsberekeningen bevatten ook onderdelen waarvoor geen goed natuurwetenschappelijk model bestaat. Die stukken kunnen ingevuld worden met machine learning op basis van het verschil tussen rekenresultaten en observaties.

Hoe werkt physics AI?

Simulaties en voorspellingsberekeningen die natuurwetten doorrekenen zijn vaak relatief traag. Bovendien kunnen ze alleen rekenen aan processen waarvoor een expliciet wetenschappelijke beschrijving bestaat.

Machine learning heeft als voordeel dat het razendsnel antwoorden produceert zodra het model eenmaal getraind is. Bovendien leert het puur op basis van data en heeft het geen natuurwetenschappelijke beschrijving nodig.

Het nadeel van machine learning is dat het veel data vergt, die voor processen in de industrie en omgevingsmanagement vaak niet beschikbaar zijn. En zelfs met heel veel data kan een machine learning model nog resultaten kan geven die natuurwetenschappelijk gezien niet kloppen. Dat maakt zo’n model onbetrouwbaar.

Physics AI maakt bij het trainen van een machine learning model expliciet gebruik van natuurwetenschappelijke kennis. Deze kennis vult de data aan waardoor er toch genoeg informatie is om het model te trainen. Bovendien zorgt deze aanpak ervoor dat het model voldoet aan natuurwetenschappelijke wetmatigheden. Daardoor kan het model betrouwbaar genoeg zijn voor gebruik in een kritische omgeving.

Hoe kan VORtech u helpen?

VORtech biedt end-to-end diensten rondom physics AI:

• Beoordeling van de potentie van physics AI voor uw toepassing.
• Hulp bij het trainen van een machine learning model voor een industrieel proces of voor omgevingsmanagement.
• Hulp bij het trainen van een machine learning model op basis van sensordata.
• Audits van machine learning modellen voor industriële processen of omgevingsmanagement.

Als u interesse heeft in deze diensten, neem dan contact met ons op voor een geheel vrijblijvende kennismaking.

Waarom kiezen voor VORtech als partner voor physics AI?

VORtech biedt u de volgende voordelen:

• We hebben jarenlange ervaring met toepassingen in omgevingsmanagement en industrie. We werken voor overheidsinstanties en grote bedrijven.
• Onze collega’s hebben diepgaande kennis van machine learning en wiskunde in het algemeen, uitstekende softwareontwikkelingsvaardigheden en veelal een achtergrond in de natuurkunde of techniek. Dat laatste maakt ze een uitstekende gesprekspartner voor uw experts.
• Dankzij onze brede expertise kunnen we de methode selecteren die het beste aansluit op uw specifieke uitdaging, of het nu gaat om physics AI of een geheel andere aanpak.
• VORtech deelt alle kennis en ervaring die we gebruiken voor de oplossing van uw uitdaging. We trainen naar behoefte uw experts zodat ze ermee kunnen werken en deze naar behoefte kunnen uitbreiden.
• U werkt steeds met dezelfde VORtech-medewerkers in meerdere projecten, waardoor onze medewerkers zich maar één keer hoeven in te werken.