工程師工具箱內的秘密武器：AI與模擬的交集

隨著科技復雜度逐漸增加，工程師開始尋求新方法來開發(fā)更有效的AI模型，本文將探索AI與仿真的結合如何幫助工程師解決時間、模型可靠度、數據質量等諸多挑戰(zhàn)。

隨著現今科技復雜度的增加，人工智能（artificial intelligence；AI）的能力和涉及范圍也不斷在擴大。因此，工程師在被交付任務要將AI整合于系統(tǒng)之中時將面臨新的挑戰(zhàn)。這些復雜性的一部分，源自于使用在模型訓練的數據幾乎可決定AI模型效果的認知?如果數據不足、不夠精確、或者存在偏差，模型的計算結果就會受到影響。

以較高的層級來說，AI與模擬有三種主要的合流方法。

一、與解決資料不足的挑戰(zhàn)有關，因為仿真模型可以被使用來合成可能難以收集、或收集成本昂貴的資料。

二、將AI模型作為計算起來復雜且昂貴的高度逼真模擬的近似值，也被稱為降級建模（reduced-order modelling）。

三、在如控制、訊號處理、嵌入式視覺等應用的嵌入式系統(tǒng)上使用AI模型，仿真已成為這類系統(tǒng)設計流程當中關鍵的一環(huán)。

工程師開始找到新的方法來開發(fā)更有效的AI模型，本文將探索仿真與AI的結合可如何幫助工程師解決時間、模型可靠度、數據質量等挑戰(zhàn)。

挑戰(zhàn)1 使用于訓練和檢驗AI模型的數據
收集真實世界數據和建立良好、干凈且經過分類的數據的過程相當艱難，還需要耗費大量時間。工程師也必須留意大部分AI模型屬于靜態(tài)的事實（模型是使用固定的參數值來執(zhí)行），雖然模型持續(xù)地暴露在新的數據下，但這些資料卻不見得會被納入訓練數據集之中。

如果沒有健全的數據來協(xié)助訓練模型，項目失敗的可能性便提高，因此數據準備成為AI工作流程中一項至關重要的步驟?！覆缓玫摹箶祿赡茏尮こ處熁ㄙM好幾個小時嘗試找出模型未正常運作的原因，而且還不保證能夠得到具有實質意義的結果。

仿真可以協(xié)助工程師克服這些挑戰(zhàn)。在最近幾年，以資料為中心的AI將AI社群的焦點轉向訓練數據的重要性。與其將一項項目全部的時間投注在煩惱AI模型的架構和參數，證據顯示把時間花在改善訓練數據，通?？梢詾槟Ｐ途_度帶來更大的改善。

使用仿真來擴充現有的訓練數據有許多好處，包括：

 計算模擬通常比物理實驗的成本降低許多

 工程師對于環(huán)境能夠完全的掌控，并且可以模擬在現實世界中難以建立或太危險的場景

  模擬提供了一條途徑來窺探難以透過設置實驗來測量的內部狀態(tài)，這在為AI模型特定情況下的表現不佳進行除錯時有很大的用處

當模型的表現高度取決于訓練數據的質量，工程師可以透過幾種流程迭代來改善結果，包含仿真數據、更新AI模型、觀察在哪一些條件下模型預測結果不佳，并且為那些條件收集更多仿真資料等。

透過Simulink和Simscape等商用工具，工程師可以產生反映了真實世界情境的仿真數據。Simulink 和 MATLAB 的結合，使得工程師能夠以和進行AI模型建立的相同環(huán)境來仿真他們的資料，這代表他們可以將更多的流程自動化，而不必擔心工具鏈的切換。

挑戰(zhàn)2 透過AI取得復雜系統(tǒng)的近似值
在設計像是控制液壓閥的算法等需與實體物理系統(tǒng)互動的算法時，以仿真為基礎的系統(tǒng)模型是促成算法的快速設計迭代的要件。

在控制領域，這類通稱為「受控體模型（plant model）」的模型，在無線領域可能被稱作「信道模型」，在強化學習（reinforcement learning）領域被稱為「環(huán)境模型」。不論是哪一種稱呼，其中的概念是共通的：建立一個以仿真為基礎的模型，它可以提供必要的精確性，再次建立和算法互動的物理系統(tǒng)。

這種方法有一個難題，就是要達到工程師一直以來依據第一原理建立的高度逼真模型的「必要的精確性」。若是在復雜的系統(tǒng)，可能會需要花費相當可觀的時間，來建立和模擬以達到如此的精確性。執(zhí)行冗長的模擬，也有可能會壓縮到設計迭代的次數，意味著沒有充裕的時間來評估其他或許更合適的設計替代方案。

AI在此時出現了，工程師可以采用他們已經建立好的高度逼真物理系統(tǒng)模型，并且透過AI模型（一個降級模型）來取得近似值。在其他的情況，他們可能只需要從實驗數據訓練AI模型，完全略過建立以物理為基礎的模型。

這么做的好處是，降級模型計算起來比第一原理模型經濟許多，代表工程師可以執(zhí)行更多的設計空間探索。而且若是真的已經有現成的以物理為基礎的模型，工程師還可以在流程的后期隨時使用該模型來檢驗以AI模型進行判定的設計。

比如神經微分方程（Neural Ordinary Differential Equations）等近期AI領域的進展，即結合了AI訓練技巧與嵌入了以物理原理為基礎的模型。當工程師希望保留物理系統(tǒng)的特定部分，又希望以更接近數據中心的方法所取得的近似值，來組成系統(tǒng)的其余部分時，這類模型就可以給予很大的幫助。

挑戰(zhàn)3 AI于算法開發(fā)
開發(fā)如控制系統(tǒng)等應用的工程師在設計算法時，對于仿真的依賴程度越來越高。有許多情況下，這些工程師開發(fā)虛擬的傳感器、以及試圖計算無法直接透過傳感器量測來取得數值的觀測器。使用的方法有好幾種，包含線性模型（linear models）和卡爾曼濾波器（Kalman filters）。

但是這些方法在真實世界系統(tǒng)捕捉非線性行為的能力展現相當有限，工程師因此轉而采取以AI為基礎的方法，以更靈活地建立這些復雜的模型。他們使用測量或仿真而來的數據，訓練一個能夠從已觀測到的狀態(tài)預測尚未觀察到的狀態(tài)的AI模型，然后再將該AI模型與系統(tǒng)整合。

在這個案例，AI模型屬于控制算法的一部分，之后會被放在實際硬件上執(zhí)行。這個硬件的性能/內存可能有某種程度的限制，通常需要使用 C/C++ 等較低階的語言來進行編程。這些要求可能會限制某些應用所適合的機器學習模型種類時的選擇，因此工程師可能需要嘗試多種模型，并且比較準確度和實際運行在裝置上的表現來做權衡。

在這項領域研究的最前端，可透過強化學習使這種方式再更進一步。強化學習所學習的不只是估計器，而是學習整個控制策略。在像是機器人和自主系統(tǒng)等一些具有挑戰(zhàn)性的應用中，強化學習是一項已被證明認可的強大技術，但建立這樣的模型需要有一個精確的環(huán)境模型，這類的環(huán)境模型、以及運行大量仿真的計算能力，可能并不容易從現有資源取得。

除了虛擬的傳感器和強化學習，AI算法使用在嵌入式視覺、音頻和訊號處理、以及無線通信應用的情況也愈來愈多。舉例來說，在配備自動駕駛功能的車輛中，AI算法可以偵測路面上的車道標線來幫助車子維持在車道中間位置。

在助聽裝置，AI算法可以協(xié)助加強說話聲音并且抑制噪聲。在無線通信應用，AI算法可以運用數字預失真（digital predistortion）來抵銷功率放大器的非線性效應。在這所有的應用，AI算法只擔當了大型系統(tǒng)之中的一部分。模擬會被使用在整合測試來確保整體設計符合標準。

將AI帶入模擬的未來
一般來說，當增加了模型規(guī)模和復雜性來因應更復雜的應用，AI與仿真將成為工程 師口袋中更不可或缺的工具。使用如Simulink和MATLAB等商用工具，可賦予工程師優(yōu)化其工作流程的能力，并且透過與產生合成數據、降級建模等技巧來縮短他們的開發(fā)時間，并且將AI算法嵌入到控制、訊號處理、嵌入式視覺、無線通信等應用。

這些方法具備了強大能力，在硬件階段之前，就透過精確且可負擔的方式來開發(fā)、測試和檢驗模型，因此，使用需求將會再持續(xù)增長。
（本文由鈦思科技提供；作者Seth DeLand為MathWorks 數據分析產品營銷經理)