AI是航天器设计中的下一个边境，还是只是闪亮的流行语？

人工智能有巨大的希望改变航天器设计。 

从实现更广泛的设计空间探索的近乎实时性能计算到使用任务要求作为输入的生成算法，以产生以前不考虑的高性能变体，因此与AI的机会很大。” 

但这仍然是相对未经测试的领土，工程团队在将其投入生产之前正在寻求其可靠性和生存能力的进一步证据。

这是因为设计和模拟中的AI计划被卡住了。不是因为算法没有工作。他们这样做。真正的问题是数据。 

如果您是航空航天，空间或防御制造商，则可能已经拥有CAD文件，仿真输出和测试结果的trabytes。但是那个数据清洁了吗？相关的？结构？如果没有，AI工具无需学习，无处可去。

这就是为什么，对于许多工程领导者来说，AI仍然感觉更像是流行语，而不是突破。为了释放其价值，我们需要将工程师重新控制，并以结构化数据，可追溯逻辑和域专业知识为基础的工程师AI。 

这不是模型，它是数据

航空航天行业从来没有缺乏复杂性。模拟航天器性能，例如轨道动力学，热屏蔽和结构载荷，需要精确的物理和高保真建模。如今，S AI算法具有能力，但缺乏燃料：高质量，可用，可实现的模拟数据。

工程数据与业务数据不同。它很少结构。基于B-Reps或​​Nurbs的CAD几何形状不友好。仿真结果通常埋在孤立的文件夹中，与特定的求解器绑定，并通过脆性工作流而生成，这些工作流程在您尝试扩展时会破裂。

大多数航空航天组织都没有一个数据湖 - 更多的沼泽。AI可以从沼泽中学习。

为什么航天器设计是一个独特的挑战

航天器系统高度集成。质量分布，热耗散或空气动力学的变化会在整个设计中荡漾。例如，改善热性能可能需要更多的表面积，从而增加阻力和改变结构负载路径。这些相互依存的缓慢迭代。多物理模拟需要几天才能收敛，并且每次更改都必须重新运行。如果没有重大的自动化和计算能力，就几乎不可能在数千次上训练机器学习（ML）模型。

即使有自动化，工作流程也经常崩溃。轻微的CAD问题会导致网络失败。求解器崩溃结束了跑步中游。没有强大的管道，即使是精心设计的实验也会产生零散的数据。

而且，如果没有约束的工作流程（版本为版，可审查和物理意识），任何ML都无法提供工程师实际使用的结果。

因此，结果是缺乏AI功能，因此缺乏可用的投入。

工程师开始突破的地方

尽管面临这些挑战，但前瞻性工程团队正在寻找以有意义的方式应用ML的方法，尤其是在具有可重复模拟和速度较高的领域。

我们与之合作的一家全球航空航天公司着手使用AI优化热交换器的内部几何形状。首先，它们对几何形状进行了参数化，以使其易于调节。然后，他们自动化了实验过程，在八个小时内运行400多个高保真模拟。干净的结构化数据集成为一个可以预测完整速度和压力场的替代模型的训练场，而不仅仅是摘要指标。在推理时间以毫秒为单位的推理时间，该团队围绕模型包装了一个优化器，以实时进行倒数设计研究。过去花费数周的时间发生在几分钟之内，以及基础数据的质量和一致性使它成为可能。

在最近的一次研讨会中，工程师训练了替代模型，以预测机翼扫描和机身长度等参数的空气动力学性能。一旦受过训练，它就为反向设计循环提供动力：输入目标，例如最大化有效载荷，以范围1,200英里，并在几秒钟内生成可行的机身。在高保真数据的指导下，成千上万的优化器驱动的迭代融合了任务就绪的设计。凭借高质量的数据和灵活的几何形状，工程师从评估设计转变为生成它们。

这些结果与Black-Box AI无关。它们是通过结构化建模，模拟感知几何形状和可追溯逻辑来启用的。正是可认证的工程师设计所需的成分。

如何知道您的工作流程是否准备好ML

并非每个工程问题都需要ML，但是有些问题是理想的选择。关键是知道差异。问问自己三个问题：

1。您的问题是否具有强大的物理基础？ 

ML以物理为基础；它没有取代它。如果您的仿真工具已经很好地解决了物理（例如考虑流体流，热传递，结构分析），那就是坚实的基础。这些问题产生了对ML非常有用的结构化数据。

2。仿真速度是瓶颈吗？

ML替换慢速的东西时会脱颖而出。如果您需要花费数小时或数天进行高保真模拟，则训练有素的替代模型可以提供近乎固有的预测。但是，如果您的模型已经快速有效，则ML可能无法提供有意义的优势。

3。您有正确的数据还是创建它的方法？

没有数据，没有ML。甚至最先进的模型也没有结构化的可靠数据集失败。如果您的工作流已经产生干净，可重复使用的模拟结果，那么您将在一个很好的位置。如果没有，您将需要一种按大规模生成该数据的方法。

也值得考虑您的模型输出的可用性。乍一看，一些AI系统可能会提供令人印象深刻的设计几何形状，但没有清楚地检查，完善甚至制造它们的方法。

在您采用任何AI驱动的设计工具之前，请问自己：我可以将其追溯到我的原始物理模型吗？我可以改变吗？我可以相信生产吗？

如果该数据版本不正确，可追溯且与物理基型模型相关，则信任和认证将无法实现。

入门的蓝图

如果您对上面的问题回答是“是”，那么在这里如何使用AI开始。

1. 定义一个明确的预测目标：从您要预测的基于物理的结果开始，例如吊扣比，压降或热电阻。特异性指导数据收集和建模，因此目标越清晰，您的数据生成就越有针对性。
   
2. 大规模生成质量数据：这是最难，最关键的步骤。使用强大的建模方法，这些方法在参数的广泛变化时会失败。而且，您需要在不干预的情况下快速模拟每个模型，需要在GPU上本地运行的求解器，并且不需要手动创建和修复身体拟合的网眼。如果工作流程可能会大规模运行而不会破裂，那么您将获得可用的数据。 

3. 训练稳定，准确的模型：使用适合您物理领域的ML框架，例如NVIDIA PhysicsNemo。优先考虑透明度和迭代，而不是一次性准确性。
   
4. 集成到您的工作流程中：您的工程师不需要成为数据科学家。ML模型应插入您现有的工具中，并感觉像是工作流程的一部分，而不是单独的系统。如果预测快速，准确且易于访问，则工程师将使用它们。
   
5. 建立可追溯性和治理：每个设计决定都应检查。这意味着版本控制的逻辑，仿真检查点和构成供审核的输出，而不仅仅是渲染

目标不是自动化设计决策，这是为了增强工程师的能力。当工程师可以与结果进行精炼输入，调整约束并了解模型的行为时，ML的真正力量将解锁。如果工具可以提供可编辑的几何形状，该几何形状无缝地适合您的设计过程，它将很快成为死胡同。

从炒作到影响

航天器设计中的人工智能不卡住，它正在扩大规模。看到真实结果的组织将仿真数据视为资本，而不是一次性输出。他们投资于强大的管道，明确的目标和可扩展的数据集，因为没有正确的数据，即使是最好的AI也只是在猜测。

工程判断仍然领先。但是，使用正确的AI工具，工程师可以探索更多，更快地迭代并做出更有信息的决策。在太空中，每次迭代会花费时间，质量和金钱，仅速度就不够。可辩护的逻辑，可追溯的逻辑，可进行仿真的几何形状和可认证的输出是设置真实工程工作流程与AI炒作不同的原因。

托德·麦克德维特（Todd McDevitt）是NTOP产品管理总监，他在那里帮助公司使用隐式建模和自动化来解决复杂的设计和制造挑战。他拥有20多年的工程模拟软件，包括ANSYS和MSC软件的领导角色，他领导了云转换，扩展产品策略并在产品，营销和运营中建立了高影响力的团队。

SpaceNews致力于发表我们社区的各种观点。无论您是一名学术，执行，工程师，甚至是宇宙的有关公民，都将您的论点和观点发送给conive@spacenews.com要在线或我们的下一本杂志中考虑出版。 这些专家中共有的观点仅仅是作者的观点。