นักวิจัยจาก MIT CSAIL และ Tsinghua University พัฒนา ‘GeoPT’ โมเดล AI Simulation ที่เรียนรู้กฎฟิสิกส์ 3D ผ่าน Synthetic Dynamics ช่วยจำลองแรงลม การไหลของน้ำ และการชนได้เร็วขึ้น 2 เท่า โดยใช้ข้อมูลลดลง 60% เพิ่มประสิทธิภาพการทดสอบต้นแบบสำหรับผู้ผลิตชิ้นส่วนยานยนต์ ยานพาหนะ และระบบหุ่นยนต์
ความพยายามในการนำปัญญาประดิษฐ์ (AI) มาใช้ทดสอบการทำงานของหุ่นยนต์หรือออกแบบยานพาหนะในสภาพแวดล้อมจริงยังคงมีความท้าทาย เนื่องจาก AI ขาดความเข้าใจในหลักการทางฟิสิกส์ ข่าวประชาสัมพันธ์จากสถาบันเทคโนโลยีแมสซาชูเซตส์ (MIT) ระบุว่า ล่าสุดทีมนักวิจัยได้พัฒนาแนวทางการฝึกฝนโมเดลแบบใหม่ในชื่อ GeoPT ที่ช่วยให้ระบบสามารถจำลองสถานการณ์ทางกลศาสตร์แบบ 3D ได้อย่างมีประสิทธิภาพ ซึ่งจะเข้ามาช่วยเปลี่ยนวิธีที่วิศวกรใช้ประเมินความปลอดภัยของโครงสร้างทางอุตสาหกรรม
AI Simulation ทำลายข้อจำกัดการจำลองฟิสิกส์ในงานวิศวกรรม
ที่ผ่านมา การสร้างระบบ AI ที่สามารถจำลองสถานการณ์ทางฟิสิกส์ได้อย่างน่าเชื่อถือจำเป็นต้องอาศัยข้อมูลปริมาณมหาศาล อัลกอริทึมที่เรียกว่า Numerical Solvers ซึ่งถูกนำมาใช้เพื่อคำนวณคุณสมบัติทางฟิสิกส์บนจุดต่าง ๆ ของรูปทรง 3D นั้นใช้ระยะเวลาประมวลผลนานมาก ข้อจำกัดดังกล่าวส่งผลให้กระบวนการรวบรวมข้อมูลเพื่อทดสอบความปลอดภัยหรืออากาศพลศาสตร์ (Aerodynamics) ของชิ้นงานทำได้ล่าช้า
แนวทางใหม่ที่เรียกว่า GeoPT ซึ่งพัฒนาโดยนักวิจัยจากห้องปฏิบัติการวิทยาการคอมพิวเตอร์และปัญญาประดิษฐ์ของ MIT (CSAIL) ร่วมกับมหาวิทยาลัยชิงหัว (Tsinghua University) เปิดโอกาสให้แบบจำลองสามารถเรียนรู้ฟิสิกส์ได้กว้างและรวดเร็วขึ้น ระบบนี้จะสร้างสถานการณ์จำลองในโลกจริงแบบ 3D ขึ้นมาใหม่ โดยแสดงให้เห็นการตอบสนองของอนุภาคเมื่อเคลื่อนที่ไปสัมผัสกับวัตถุ ทีมนักวิจัยอ้างว่ากระบวนการนี้ช่วยให้ AI เข้าใจกลไกทางฟิสิกส์ ส่งผลให้สามารถจำลองโลกแห่งความเป็นจริงได้แม่นยำขึ้น โดยระบุว่าตัวโมเดลสามารถทำผลงานถึงจุดสูงสุดได้เร็วเป็นสองเท่า และใช้ข้อมูลในการฝึกฝนน้อยลงสูงสุด 60% เมื่อเทียบกับโมเดลชั้นนำอื่น ๆ ในปัจจุบัน
“เราเชื่อว่าฟิสิกส์คือข้อมูลรูปแบบที่สามสำหรับโมเดล AI ถัดจากข้อความและพิกเซล” Minghao Guo นักวิจัยจาก CSAIL กล่าว
เรียนรู้ผ่าน Synthetic Dynamics สู่มาตรฐานอุตสาหกรรม
จุดเด่นในการทำความเข้าใจฟิสิกส์ของ GeoPT มาจากการใช้กระบวนการที่เรียกว่า Synthetic Dynamics ซึ่งเป็นการจำลองการโต้ตอบระหว่างอนุภาคขนาดเล็กกับรูปทรง 3D ที่ซับซ้อน โมเดลนี้ได้รับการฝึกฝนผ่านตัวอย่างกว่า 1.3 ล้านรูปแบบ โดยกำหนดให้อนุภาคเคลื่อนที่ด้วยความเร็วและมุมที่หลากหลายจนกระทั่งหยุดและยึดเกาะกับวัตถุ วิธีการนี้ช่วยให้โมเดลรับรู้ถึงปฏิสัมพันธ์ทางฟิสิกส์ได้ตั้งแต่ก่อนที่จะเริ่มฝึกฝนกับ Labeled Data
การใช้งาน GeoPT ทำได้โดยให้อัปโหลดโมเดล 3D ของวัตถุ เช่น เครื่องบินโดยสาร หรือรถบรรทุก แล้วกำหนดทิศทางและความเร็วของแรงที่ต้องการ ผลลัพธ์ที่ได้จะแสดงออกมาเป็น Heat Map ซึ่งช่วยให้วิศวกรประเมินสภาพของรถยนต์หลังการชน การสะท้อนของแสง หรือความสามารถในการลอยตัวของเรือเมื่อเผชิญคลื่นทะเลได้อย่างรวดเร็ว
Haixu Wu นักวิจัยหลังปริญญาเอกของ MIT ให้ความเห็นว่าการที่โมเดลสามารถทำผลงานได้ดีในเกณฑ์มาตรฐานอุตสาหกรรม ย่อมหมายความว่าระบบมีความสามารถในการแก้ปัญหาที่ยากและซับซ้อนได้ นอกจากนี้ทางผู้พัฒนายังระบุด้วยว่า GeoPT สามารถสร้างการจำลองความละเอียดสูงด้วย Mesh Point กว่า 100 ล้านจุดได้ภายในเวลาไม่กี่วินาที ซึ่งลดความจำเป็นในการสร้างต้นแบบและทดลองทางกายภาพจริงลงได้อย่างมาก
ด้าน Fei Sha นักวิทยาศาสตร์การวิจัยด้าน AI จาก Meta ซึ่งไม่มีส่วนเกี่ยวข้องกับงานวิจัย ให้ความเห็นเพิ่มเติมว่าการใช้ข้อมูล Synthetic Dynamics ถือเป็นกระบวนทัศน์ที่น่าสนใจในการปลูกฝังความเข้าใจด้านฟิสิกส์เข้าไปใน Foundation Models และเป็นก้าวสำคัญที่แสดงให้เห็นว่าอุตสาหกรรมมีความพร้อมสำหรับการสร้างโมเดลด้านฟิสิกส์เพื่อนำไปประยุกต์ใช้งานจริงอย่างรวดเร็ว
ที่มา:
MIT
