Veel ingenieurs en productontwikkelaars worstelen met hetzelfde probleem: er zijn te veel variabelen om te testen en elke test is duur. Denk aan het optimaliseren van een elektriciteitsnet, het ontwerpen van een veiligere auto of het ontwikkelen van een nieuw materiaal. Traditionele optimalisatiemethoden kunnen vastlopen bij honderden variabelen. Onderzoekers van het MIT hebben nu een nieuwe AI-aanpak ontwikkeld die dit soort complexe problemen 10 tot 100 keer sneller kan oplossen dan veelgebruikte methoden.
De techniek is een slimme variant op een bestaande methode, Bayesian optimization. Het grote verschil is dat deze nieuwe aanpak gebruikmaakt van een zogenaamd foundation model dat getraind is op tabelgegevens. Dit AI-model leert automatisch welke variabelen in een complex probleem het belangrijkst zijn om de prestaties te verbeteren. Het herhaalt dit proces om steeds dichter bij de beste oplossing te komen.
Waarom dit een doorbraak is voor praktische toepassingen
Het model hoeft niet telkens opnieuw getraind te worden voor elk nieuw probleem. Het is herbruikbaar, wat de efficiëntie enorm verhoogt. Volgens de onderzoekers betekent dit dat ingenieurs en wetenschappers de manier waarop ze complexe systemen creëren fundamenteel kunnen veranderen. De methode werkt vooral goed bij zeer ingewikkelde problemen, zoals materiaalontwikkeling of medicijnontdekking, waar de snelheidswinst het grootst is.
De onderzoekers testten hun aanpak op realistische technische vraagstukken, zoals het optimaliseren van een energiesysteem. De resultaten tonen aan dat hun methode niet alleen sneller is, maar ook beter omgaat met problemen met honderden variabelen. Dit opent de deur voor toepassingen die voorheen te tijdrovend of kostbaar waren om grondig te onderzoeken.
Hoe kun je dit vandaag toepassen?
De specifieke tool van het MIT is nog niet commercieel beschikbaar, maar het onderliggende principe – het gebruik van AI om in complexe data de belangrijkste factoren te identificeren voor snellere optimalisatie – is nu al relevant. Je zou kunnen kijken naar bestaande AI-gestuurde optimalisatietools voor spreadsheets of data-analyse die soortgelijke principes beloven.
Als je een product ontwerpt met veel onderling afhankelijke onderdelen, zoals in de automotive of machinebouw, dan zou je kunnen onderzoeken of AI-gestuurde optimalisatiesoftware je helpt om sneller de juiste combinatie van materialen, vormen en toleranties te vinden, zonder duizenden dure simulaties te hoeven draaien.
Als je processen optimaliseert met honderden instelbare parameters, bijvoorbeeld in de chemische industrie, voedselproductie of logistiek, dan is een mogelijke stap om te verkennen of tools met geavanceerde optimalisatie-algoritmen je kunnen helpen om de doorlooptijd te verkorten en de output te maximaliseren.
Als je als ingenieurbureau werkt aan infrastructurele projecten, zoals het ontwerpen van een efficiënter energienet of een veiligere verkeersdoorstroming, dan zou je kunnen overwegen om in je offertes en projectplannen ruimte te maken voor het testen van nieuwe AI-gestuurde optimalisatiemethoden om betere oplossingen tegen lagere kosten te vinden.
Als je onderzoek doet naar nieuwe materialen of formuleringen, waarbij je duizenden combinaties moet screenen, dan is een mogelijkheid om te kijken naar softwareplatforms die machine learning combineren met experimenteel design. Dit kan het aantal benodigde tests drastisch verminderen.
De praktische toepassing begint bij het herkennen van je eigen ‘knobs to turn’ – de vele variabelen in je proces of ontwerp – en het verkennen van moderne software die belooft hier slimmer mee om te gaan dan traditionele spreadsheet-analyse.
Bron: MIT News