Sử dụng mô hình học sâu để mô phỏng các quy trình công nghiệp

Johannes Brandstetter và nhóm nghiên cứu NeuralDEM của ông tại Công ty NXAI, là nhóm đầu tiên trên thế giới trình bày một giải pháp thay thế học sâu (1) toàn diện để sửa đổi các quy trình công nghiệp như lò phản ứng tầng sôi (2) hoặc silo.
(1) Học sâu (deep learning): là một chức năng của trí tuệ nhân tạo (AI), bắt chước cách bộ não con người hoạt động để xử lý dữ liệu, tạo ra các mẫu để sử dụng cho việc đưa ra quyết định.
(2) Lò phản ứng tầng sôi: là một loại thiết bị lò phản ứng có thể được sử dụng để thực hiện nhiều phản ứng hóa học đa pha. Trong loại lò phản ứng này, một chất lỏng được đi qua một vật liệu dạng hạt rắn ở tốc độ đủ cao để làm lơ lửng chất rắn và khiến nó hoạt động như thể nó là một chất lỏng.

Nghiên cứu cho thấy các mô hình học sâu có thể tái tạo thực tế các quá trình vật lý trong thời gian dài. Các nhà nghiên cứu cũng có thể khái quát hóa trên các thông số mô phỏng và hình học khác nhau. Nhóm đang hướng đến các mô phỏng thời gian thực nhanh, có kế hoạch thiết lập các mô hình nền tảng cho khách hàng công nghiệp và tập trung vào việc khái quát hóa các mô phỏng trong bước tiếp theo. Ông sẽ giải thích cách thức hoạt động của điều này tại hội nghị Industrial AI conference vào tháng 1/2025.

Các phương pháp Discrete Element Methods (DEM) là tiêu chuẩn công nghiệp trong mô phỏng dòng chảy hạt và mô phỏng bột vật chất. Ngoài ra, phương pháp tính toán số của các hạt cũng đóng vai trò chính trong mô phỏng các quá trình hóa học. Tuy nhiên, các phương pháp DEM có những nhược điểm: chúng đòi hỏi nhiều tính toán và thường hiệu chuẩn phức tạp. Nhóm nghiên cứu của công ty NXAI và công ty JKU Linz do Johannes dẫn đầu, kết hợp mạng nơ-ron và các phương pháp DEM trong mô hình NeuralDEM của họ và hứa hẹn mô phỏng nhanh hơn, tối ưu hóa tham số và mô phỏng công nghiệp theo thời gian thực.

Cơ sở cho những thành công của cuộc nghiên cứu mới nhất là kiến ​​trúc NXAI của mô hình học tập Universal Physics Transformers (UPT) (3). Đây là phương pháp cải thiện mạng nơ-ron để chúng có thể xử lý lượng dữ liệu rất lớn nhanh hơn, hiệu quả hơn và học vật lý trong một biểu diễn trừu tượng, nén của thế giới vật lý. Ông Benedikt Alkin từ nhóm nghiên cứu NXAI giải thích rằng: “Mã hóa thông tin rồi giải mã thông tin là một vấn đề”. UPT không phụ thuộc vào các phương pháp tiếp cận truyền thống như cấu trúc mạng (ví dụ như trong mô phỏng dòng chảy) hoặc mô hình hạt. Ông Tobias Kronlachner, một thành viên của nhóm nghiên cứu NXAI nói thêm rằng: “UPT có thể được áp dụng cho nhiều loại mô phỏng khác nhau”.
(3) Universal Physics Transformers (UPT): là một mô hình học tập mới để đào tạo hiệu quả các toán tử nơ-ron quy mô lớn cho nhiều vấn đề không gian – thời gian – cho cả lược đồ rời rạc Lagrangian và Euler.

Ông Johannes chia sẻ: “AI và mạng nơ-ron nói riêng hiện đã xuất hiện trong thế giới mô phỏng. Nhờ mô hình UPT, mạng nơ-ron của chúng tôi học được vật lý và chúng tôi chứng minh rằng các mô phỏng dựa trên AI của chúng tôi học được vật lý một cách đáng tin cậy và sau đó tái tạo nó. Đây là tiêu chí quyết định để đưa vào các ứng dụng công nghiệp”.

Nhóm NXAI đã làm việc trên mô hình này trong hơn một năm. Với Giáo sư Tiến sĩ Stefan Pirker từ công ty JKU Linz, cùng hai thành viên là Thomas Lichtenegger và Tobias Kronlachner, nhóm Linz bao gồm ba chuyên gia trong lĩnh vực này. Ông Samuele Papa từ trung tâm AI tại thành phố Amsterdam (Hà Lan) đã hỗ trợ về học sâu. Các nhà nghiên cứu đã chứng minh hiệu suất của mô hình trong nhiều quá trình vận chuyển khác nhau, bao gồm khối lượng, loại và thời gian lưu trú. Họ hình dung điều này trong ba kịch bản: làm rỗng và nạp lại các silo với các góc xả khác nhau và các lớp lưu hóa với các vận tốc dòng chảy khác nhau. Mô hình này đã tạo ra các mô phỏng vật lý thực tế. Mô hình NeuralDEM lớn nhất có khả năng mô hình hóa trung thực các lò phản ứng lớp lưu hóa CFD-DEM được ghép nối với 160k ô CFD và 500k hạt DEM cho quỹ đạo 28 giây, tức là 2.800 bước thời gian ML.

Johannes và nhóm nghiên cứu của ông sẽ tiết lộ những gì họ muốn làm với kết quả, ngành công nghiệp họ đang tập trung vào và những ý tưởng khác của nước Áo tại hội nghị Industrial AI conference của chúng tôi ở thành phố Frankfurt (phía tây CHLB Đức) vào ngày 22/01/2025.

Để xem các tin bài khác về “AI”, hãy nhấn vào đây.

Nguồn: Hannover Messe