Bakgrunden är att ANSYS inom simulering och analys (CAE) är det branschledande spelaren vars lösningar tillhör de vanligaste använda i en rad industrier från flyg- och försvar-, automotive- och energi-segmenten till industriella utrustnings-, material-, kemikalie-, konsumentprodukt-, hälsovårds- och bygg-områdena. I sin marknadsanalys 2022 placerar PLM-analytikern också ANSYS som marknadsetta vad avser intäkter för 2021. På S&A-marknaden, som totalt drog in nära 14 miljarder dollar – och dessutom representerade närmare 14 procent av de totala PLM-investeringarna – drog Ansys in strax under 2 miljarder dollar och hade en marknadsandel på 22,9 procent. Det är självklart så att en marknadsaktör av denna magnitud har en hel del inflytande över hur marknadens utveckling och upptag av nya AI- eller ML-baserade teknologier tas upp på marknaden.
”När AI och ML samverkar gör de visionära idéer möjliga”
Detta sagt som fond till dr Prith Banerjees syn på hur utvecklingen ser ut ska vi gå över till de frågar som ställs i bloggposten på ANSYS sajt:
Hur fungerar AI/ML och simulering tillsammans?
– Under de senaste 50 åren har vi använt simulering för att påskynda produktinnovation. Samtidigt har våra partners i AI/ML-gemenskaperna arbetat för att göra tekniken lika smart som den mänskliga hjärnan, säger Banerjee och tillägger att, ”idag används AI/ML för att göra simuleringar snabbare och enklare att köra, samtidigt som simulering förser AI med exakt syntetisk data för att göra intelligenta system smartare. När dessa tekniker samverkar gör de visionära idéer möjliga och tillgängliga för alla.”
Hur har AI/ML påverkat utvecklingen av simulering?
– Den mest grundläggande rollen för simulering är att fatta bättre beslut snabbare, och både AI och ML är kritiska möjliggörare för hastighet. AI/ML kan göra det möjligt för en designer att börja med en högnivåspecifikation, automatiskt generera 10 000 designalternativ och sedan snabbt utvärdera vilka alternativ som är de bästa, svarar ANSYS CTO och noterar vidare att olika AI/ML-metoder, inklusive bottom-up-metoder, top-down-metoder, reducerade ordningsmodeller (ROM) och large language models (LLMs), gör det möjligt för våra lösare att utföra snabbare, mer exakt prediktiv analys.
– LLMs som ChatGPT kan vara särskilt fördelaktiga för att göra lösare ännu enklare att använda. Till exempel, om en av våra ingenjörer ville köra en simulering om en elbil, måste de först översätta specifikationerna för olika system (t ex batteri, motor, laddare, etc.) vilket kräver mycket tid och expertis. Men med LLMer kan vem som helst skriva ett uttalande på engelska som helt enkelt anger det önskade resultatet, till exempel: ”Designa en elbil med en räckvidd på 2 000 mil som går från 0 till 60 mph på en sekund.” Simuleringen skulle automatiskt generera en mängd lösningar för hela bilen, av vilka det mänskliga sinnet kanske aldrig hade övervägt.
Han säger också att AI kan förbättra sättet vi skriver kod på.
– När en utvecklare behöver uppgradera vår programvara kan AI svara med det bästa kodavsnittet för att lösa problemet. Detta förbättrar utvecklarnas produktivitet och förbättrar även vår kundservice. Genom att granska data från tusentals kundtjänstinteraktioner kan virtuella agenter snabbt tillhandahålla support på första nivån, vilket gör det möjligt för våra experter att tillämpa sina sinnen på mer atypiska frågor.
Med AI/ML som integrerar miljarder källor, hur säkerställer man noggrannhet?
– När en mänsklig designer tar en spec av en bil, använder de mycket av sig själva för att bygga den – inte bara sin kunskap, utan också sin förmåga att resonera. När en AI-lösning modellerar en bil kommer den att samla referenser från en mängd olika källor, av vilka några kan vara opålitliga, eller konkurrenter eller lagligt skyddade egenskaper. Detta är en del av varför mänsklig övervakning och tekniker som förklarlig AI är så viktiga.
– På Ansys använder vi vår egen immateriella egendom (IP) och tillämpar ChatGPT-motorn mot databasen vi har byggt under 50 år – saker vi lärt oss genom tusentals interaktioner mellan våra kunder och vårt Ansys Customer Excellence-team (ACE). För att säkerställa förtroende och noggrannhet förlitar vi oss på våra egna källor, tillägger Banerjee.
Vad är nästa steg för AI/ML och simulering?
– När Ford började bygga fordon dikterade tillverkningstekniken vid den tiden vilka strukturer de kunde använda – som metallformning och formsprutning som rektanglar och cylindrar. Så allt såg likadant ut. Tanken på att göra en bil som ser ut som en fågel hade varit svår att föreställa sig. Men nu, med generativ design och additiv tillverkning, är det möjligt att bygga riktigt komplexa objekt. Idag arbetar Ansys med en ML-plattform där man kan specificera kraven på en mycket komplex produkt. Resultatet blir förmågan att generera tusentals nya idéer som den mänskliga designern inte ens kan föreställa sig. Alla dessa konstruktioner kan snabbt utvärderas med hjälp av simulering, där det bästa alternativet väljs av den mänskliga designern. När simulering och AI/ML samverkar är så mycket mer möjligt.
