Veel ingenieurs en ontwerpers worstelen met een fundamenteel probleem: er zijn te veel variabelen om te testen en elke test is kostbaar. Of je nu een veiliger auto ontwerpt of een efficiënter energienet optimaliseert, het vinden van de beste combinatie van factoren is een tijdrovende puzzel. Onderzoekers van het MIT hebben een nieuwe aanpak ontwikkeld die dit proces aanzienlijk kan versnellen door een AI-model in te zetten dat specifiek is getraind op tabelgegevens.

De kern van de methode is een zogenaamd ‘foundation model’ voor tabulaire data. Dit is een groot AI-systeem dat is getraind op enorme hoeveelheden algemene tabelgegevens, waardoor het zich kan aanpassen aan verschillende toepassingen zonder telkens opnieuw getraind te hoeven worden. Het model helpt bij een klassieke optimalisatietechniek, Bayesian optimization, door automatisch te identificeren welke variabelen het meest belangrijk zijn voor het verbeteren van de prestaties. Vervolgens herhaalt het dit proces om steeds betere oplossingen te vinden.

Wat betekent dit in de praktijk?

Volgens de onderzoekers vond hun aanpak in tests op realistische technische problemen, zoals het optimaliseren van een energiesysteem, de beste oplossingen 10 tot 100 keer sneller dan veelgebruikte methoden. Het bijzondere is dat de snelheidswinst toeneemt naarmate het probleem complexer wordt. Dit maakt de techniek volgens hen potentieel zeer nuttig voor veeleisende toepassingen, zoals de ontwikkeling van nieuwe materialen of medicijnen.

Rosen Yu, de hoofdauteur van het onderzoek, benadrukt het herbruikbare karakter: “We hebben één algoritme ontwikkeld dat niet alleen problemen met veel dimensies kan oplossen, maar ook herbruikbaar is, zodat het op veel problemen kan worden toegepast zonder dat alles vanaf nul hoeft te beginnen.” Het onderzoek zal worden gepresenteerd op de International Conference on Learning Representations.

Hoe kun je dit vandaag toepassen?

De specifieke techniek van het MIT is nog onderzoeksmateriaal en niet direct als kant-en-klare tool beschikbaar. Het principe – het gebruik van AI om sneller door complexe ontwerp- en optimalisatievraagstukken met veel variabelen te navigeren – is echter al relevant. Je zou kunnen kijken naar bestaande tools die optimalisatie automatiseren of naar de bredere trend van AI in engineering software.

Als je werkt aan productontwerp of prototyping… Een mogelijkheid is om te onderzoeken of de CAD- of simulatiesoftware die je gebruikt, AI-gestuurde optimalisatiemodules bevat. Deze kunnen helpen bij het automatisch verkennen van duizenden ontwerpvarianten voor gewicht, sterkte of kosten, gebaseerd op de parameters die jij belangrijk vindt.

Als je betrokken bent bij procesoptimalisatie in de industrie of logistiek… Je zou kunnen overwegen om met datawetenschappers te verkennen of technieken zoals Bayesian optimization, mogelijk ondersteund door AI-modellen voor tabulaire data, kunnen worden toegepast op jouw productie- of supply chain-data. Het doel is om de beste instellingen te vinden tussen honderden variabelen zoals machinesnelheden, temperaturen en voorraadniveaus.

Als je onderzoek doet in materiaalkunde, chemie of farmacie… Deze aanpak lijkt bij uitstek geschikt voor jouw veld. Een optie is om op de hoogte te blijven van de commercialisering van dit soort onderzoek. Je zou kunnen kijken naar gespecialiseerde AI-platforms voor wetenschappelijke ontdekking die beloven het testen van duizenden moleculaire of materiaalcombinaties te versnellen.

Als je een ingenieur bent die complexe systemen beheert, zoals energienetwerken… Het overwegen waard is om na te gaan of leveranciers van grid management software AI-aangedreven optimalisatietools integreren. Deze zouden kunnen helpen bij het dynamisch balanceren van honderden variabelen – van productie tot verbruik – om de efficiëntie en stabiliteit te verbeteren.

De praktische toepassing hangt af van jouw situatie. De kern is het besef dat AI niet alleen gaat over generatieve tekst of plaatjes, maar ook over het oplossen van diepgaande, rekenintensieve optimalisatieproblemen die voorheen weken of maanden kostten.

Bron: MIT News