18 декабря 2024 года выдающимся российским ученым была вручена Научная премия Сбера, которая прошла в третий раз. О том, что такое современные нейросети, можно ли с их помощью уже решать сложные инженерные задачи, к примеру рассчитать новый гоночный болид "Формулы-1", ТАСС рассказал один из лауреатов премии, директор Центра искусственного интеллекта Сколковского института науки и технологий, профессор, доктор физико-математических наук Евгений Бурнаев.
— Поздравляю вас с заслуженной премией. Давайте начнем с самого простого. Для широкой публики, которая почти ничего не знает о вашей работе, расскажите, пожалуйста, чем вы занимаетесь и за что, собственно, получили премию?
— Спасибо за поздравления. Если совсем коротко, я разрабатываю методы на основе искусственного интеллекта, которые позволяют решать сложные инженерные задачи. Речь идет о том, как оптимизировать дизайн технических изделий и производить мониторинг состояния систем, настраивая многочисленные параметры, которые на этот дизайн изделия или на поведение систем влияют. Мы стараемся сделать процесс поиска наилучших параметров более эффективным и быстрым, используя методы машинного обучения, глубокие нейронные сети, генеративные модели и инструменты стохастического анализа данных.
— Можете привести примеры таких задач из вашей практики, чтобы стало понятнее, как это выглядит на практике?
— Конечно. Представьте дизайн болида "Формулы-1". Каждое новое соревнование требует нового дизайна корпуса машины, например оптимизации массы композитной пластины при сохранении ее прочности. Мы можем модифицировать состав слоев композита, но каждая экспериментальная проверка — будь то реальный испытательный стенд или вычислительная симуляция — обходится дорого и по времени, и по ресурсам. Похожая ситуация с крылом пассажирского самолета: его аэродинамика, а значит, и расход топлива сильно зависят от формы крыла. Чтобы понять, какой профиль крыла лучше, можно провести натурные эксперименты или компьютерные симуляции. Но и то и другое — ресурсозатратно. Опять же, наша цель — эффективно находить наилучшую форму крыла, используя "умные" модели, которые учатся на накопленных данных.
Еще пример — это задача в области косметологии, скажем, подбор состава крема для депигментации кожи. Эффективность зависит от десятков ингредиентов, и единственный способ оценить результат — провести эксперимент. Или, например, сложное промышленное оборудование вроде турбины. У нее измеряются десятки параметров: температура, давление, вибрации. Нас интересует, при каких сочетаниях параметров мы добиваемся максимальной эффективности, а при каких — повышается риск поломки.
— Во всех перечисленных примерах, насколько я понимаю, суть в том, что есть очень много параметров, результаты экспериментов и вычислений дороги и ограничены, а нужно оптимально подобрать дизайн. Как в этом помогает искусственный интеллект?
— В каждом случае мы имеем дело с множеством параметров, которые влияют на качество изделия или системы. Они могут зависеть от времени, быть связаны друг с другом, описывать сложную форму или структуру объекта. При этом мы ограничены в количестве экспериментов или вычислительных ресурсов. Искусственный интеллект, в частности методы машинного обучения и глубоких нейросетей, помогает выявлять зависимости между параметрами и целевым качеством — эффективностью, прочностью, аэродинамикой, строить прогнозы и использовать эти прогнозы для более быстрой и точной оптимизации.
С помощью ИИ мы можем:
1. Определить наиболее значимые параметры среди огромного набора;
2. Учитывать внутренние связи между параметрами, как в задаче с крылом самолета, где форма — это, по сути, высокоразмерный объект, лежащий на некотором "маломерном многообразии";
3. Обучить компьютер прогнозировать результаты на новых комбинациях параметров, снижая при этом потребность в дорогих реальных экспериментах;
4. На основе этих прогнозов "отсекать" заведомо неудачные варианты и концентрироваться на многообещающих решениях, а также обнаруживать режимы работы оборудования, приводящие к потенциальным сбоям.
В итоге мы автоматизируем оптимизацию дизайна, повышаем точность и снижаем затраты на поиск решений.
— Вы упомянули, что все это основано на серьезных теоретических разработках. Какие фундаментальные результаты вы получили?
— Фундаментальные результаты моей работы связаны с теоретическим обоснованием применяемых методов. Я анализирую, когда и при каких условиях эти методы наиболее эффективны. Это не просто набор прикладных рецептов; мне важно понять, почему методы работают, где они дают сбои и как их улучшить. Эти знания позволяют глубже осознать свойства современных ИИ-технологий, особенно когда речь идет о прогнозировании на основе многомерных данных со сложной структурой.
— Звучит очень впечатляюще, когда речь идет об отдельных узлах или деталях. А можно ли применить такие подходы ко всей системе целиком?
— Именно этим направлением я сейчас и занимаюсь — развитием так называемого инженерного ИИ. Представьте, что мы хотим оптимизировать не отдельную деталь болида "Формулы-1", а сразу весь болид целиком, вместе со всеми его узлами и агрегатами. Инженерный ИИ — это мультиагентная система, сочетающая в себе два подхода: символьный ИИ и нейронный ИИ. Символьный ИИ управляет процессом решения задачи, извлекает отраслевые знания и ставит "задачи" для нейронного ИИ.
А нейронный ИИ, в свою очередь, генерирует различные варианты конструкций и решений, помогает их оценивать и оптимизировать. Это позволит подойти к оптимизации комплексных инженерных систем системно и более эффективно.
— Часто воспринимают искусственный интеллект как просто работу с большими данными. Вы считаете, что это справедливо или же ИИ — это все-таки нечто большее?
— ИИ — это гораздо больше, чем просто большие данные. Да, современные нейросети учатся на больших объемах информации, но важна не только дата-составляющая, а методы, алгоритмы и те теоретические принципы, на которых мы строим модель. Сегодняшние достижения ИИ — это результат комбинации больших данных, продвинутых алгоритмов, новых архитектур нейронных сетей, а также упорной работы по подбору параметров и интеграции отраслевых знаний. В будущем, мы надеемся, будут методы, позволяющие обучать такие модели на меньшем количестве данных, но с не меньшей эффективностью. Так что ИИ — это не просто цифры, а целая область, где тесно переплетены фундаментальная теория, вычислительные методы и практические приложения.
Интервью брал Андрей Резниченко