In de wereld van het ontwerpen van complexe machines, van de kleine computers binnen een slimme thermostaat tot de enorme controlesystemen van een modern elektriciteitsnet, worden ingenieurs geconfronteerd met een hardnekkig probleem: hoe voorspel je hoe een systeem zal reageren voordat het gebouwd is. Traditionele methoden vertrouwen op wiskundige formules die elke fysieke wet beschrijven die in het spel is, maar deze formules vallen vaak uit elkaar wanneer systemen te chaotisch, te oud of te veel beïnvloed worden door onvoorspelbare menselijke gewoonten. Om dit gat te vullen, hebben ontwerpers een ander soort instrument gebruikt: machine learning. Dit zijn computerprogramma's die patronen leren van data in plaats van strikte regels te volgen. Ze kunnen voorspellen hoeveel energie een huis zal verbruiken op basis van het weer, of voorspellen wanneer een sensor mogelijk zal falen. Het integreren van deze lerende programma's in de simulatiesoftware die ingenieurs gebruiken om hun systemen te ontwerpen, is echter nog onhandig geweest. Meestal vereist dit het bouwen van aangepaste bruggen tussen verschillende softwaretools, een proces dat traag is, foutgevoelig en het moeilijk maakt om verschillende leermethoden eerlijk te vergelijken.

Een team onderzoekers aan de Politecnico di Torino in Italië heeft een nieuwe manier geïntroduceerd om dit op te lossen, genaamd SAMpLE. Beschouw dit als een universele adapter waarmee elk machine learning-model direct in de simulatieomgeving kan worden aangesloten, net als een standaard elektrisch component. De onderzoekers hebben een framework gebouwd dat deze lerende modellen behandelt als natuurlijke onderdelen van het systeem, waardoor ze soepel kunnen draaien naast de rest van het ontwerp zonder dat er speciale, eenmalige verbindingen nodig zijn. Deze aanpak stelt ingenieurs in staat om te testen hoe goed een leermodel werkt in een virtuele omgeving, om te zien of het zich in realtime kan aanpassen aan veranderende omstandigheden of dat het beter presteert wanneer het vooraf is getraind. Het team heeft aangetoond dat deze methode betrouwbaar werkt en resultaten produceert die bijna exact overeenkomen met de oorspronkelijke leermodellen, terwijl het ook mogelijk maakt om verschillende soorten leeralgoritmen zij aan zij onder dezelfde omstandigheden te testen.

De kern van het werk ligt in de manier waarop de onderzoekers hun simulatie hebben georganiseerd. Ze gebruikten een specif kind digitale logica genaamd Timed Dataflow, wat een manier is om computer taken te organiseren zodat ze in een strikte, voorspelbare volgorde plaatsvinden en data verwerken in kleine, regelmatige brokken. Deze structuur sluit toevallig perfect aan bij hoe machine learning werkt: beide nemen een reeks inputs, verwerken deze en produceren een output op een specifiek moment. Door dit natuurlijke verband te herkennen, heeft het team een systeem gecreëerd waarbij een leermodel geen vertaling of extra softwarelagen nodig heeft. In plaats daarvan wordt het een standaard blok in de simulatie, dat data ontvangt, een voorspelling doet en het resultaat doorgeeft, allemaal binnen dezelfde klokcyclus als de rest van het systeem.

Om dit werkend te krijgen, hebben de onderzoekers een framework ontworpen dat twee verschillende manieren ondersteunt voor het gebruik van deze leermodellen. De eerste is een offline benadering, waarbij een model apart wordt getraind met krachtige computers en vervolgens wordt geëxporteerd naar een standaardformaat dat de simulatie kan lezen. Dit stelt ingenieurs in staat om modellen te gebruiken die zijn gebouwd met populaire, externe tools, zonder dat ze deze vanaf nul opnieuw hoeven te schrijven. De tweede is een online benadering, waarbij het model direct binnen de simulatie leert terwijl deze draait. Dit is nuttig voor systemen die moeten aanpassen aan nieuwe informatie zodra deze binnenkomt, zoals een elektriciteitsnet dat moet reageren op plotselinge veranderingen in weer of verbruik. Het framework handelt beide methoden naadloos af, waarbij het ervoor zorgt dat of een model nu buiten of binnen de simulatie is getraind, het consistent functioneert en kan worden vervangen zonder de rest van het ontwerp te breken.

Het team testte hun systeem met echte gegevens uit twee verschillende bronnen: één die het elektriciteitsverbruik in een groep huishoudens bijhield en een andere die de stroomvraag van een hele stad monitorde. Ze voerden simulaties uit met diverse soorten leermodellen, waaronder eenvoudige lineaire voorspellers en complexere boomstructuur-systemen. De resultaten lieten zien dat de simulatie de voorspellingen van de oorspronkelijke leermodellen met opmerkelijke nauwkeurigheid kon reproduceren. Voor de gegevens van de stad, die een vloeiend, voorspelbaar patroon volgden, waren de modellen bijna perfect en kwamen ze met vrijwel geen verschil overeen met de oorspronkelijke resultaten. Voor de gegevens van de huishoudens, die veel ruiziger en moeilijker te voorspellen waren, presteerde het systeem nog steeds goed, hoewel de modellen meer moeite hadden met de onvoorspelbaarheid. Cruciaal was dat de onderzoekers ontdekten dat de online leermodellen, die zich tijdens het proces aanpasten, aanzienlijk beter waren in het omgaan met de rommelige gegevens van de huishoudens dan de statische modellen die vooraf waren getraind.

Een van de belangrijkste bevindingen was de mogelijkheid om verschillende leermethoden eerlijk te vergelijken. Omdat het framework elk model behandelt als een standaardcomponent, kunnen ingenieurs overstappen van het ene leeralgoritme naar het andere door simpelweg een instelling in een configuratiebestand te wijzigen. Ze hoeven geen code te herschrijven of de simulatie opnieuw op te bouwen. Dit maakt een directe vergelijking mogelijk van hoe verschillende algoritmen presteren onder exact dezelfde omstandigheden, met exact dezelfde data. Het team mat hoe lang elke simulatie duurde en hoe nauwkeurig de voorspellingen waren, en ontdekte dat sommige methoden veel sneller waren dan andere, terwijl sommige accurater waren afhankelijk van het type data. Dit soort directe vergelijking was voorheen moeilijk te bereiken, omdat verschillende leertools vaak verschillende opstellingen vereisten die een eerlijke vergelijking onmogelijk maakten.

De onderzoekers hebben ook geverifieerd dat het systeem betrouwbaar werkt in verschillende scenario's. Ze toonden aan dat dezelfde simulatiecode kon worden gebruikt voor zowel de gegevens van de huizen als de gegevens van de stad, enkel door de inputbestanden te wisselen, zonder de onderliggende software te veranderen. Deze draagbaarheid suggereert dat het framework kan worden toegepast op veel verschillende soorten technische problemen, van het beheren van energienetten tot het ontwerpen van autonome voertuigen. Het systeem bevat ook instrumenten om de kwaliteit van de data en de prestaties van de modellen te controleren, wat heldere rapporten oplevert over hoe goed de voorspellingen overeenkwamen met de werkelijkheid. Deze transparantie helpt ingenieurs om de resultaten te vertrouwen en te begrijpen waar een model mogelijk tekortschiet.

Hoewel het systeem krachtig is, zijn de onderzoekers duidelijk over de huidige beperkingen. Het is ontworpen om te werken met specifieke typen data en modellen, en het vertrouwt erop dat de modellen in een standaardformaat worden geëxporteerd. Het team merkte op dat hoewel de online leermodellen uitstekend waren in het aanpassen aan verandering, ze een zorgzamere configuratie vereisten dan de offline modellen. Ze wezen er ook op dat het systeem een hulpmiddel is voor evaluatie en ontwerp, en geen vervanging voor de daadwerkelijke fysieke hardware. Het doel is om ingenieurs te helpen betere beslissingen te nemen voordat ze iets bouwen, waardoor het risico op falen wordt verkleind en tijd en geld worden bespaard.

Dit werk vormt een belangrijke stap voorwaarts in de manier waarop ingenieurs kunstmatige intelligentie integreren in het ontwerpproces. Door de noodzaak voor aangepaste, ad-hoc verbindingen tussen leermiddelen en simulatiesoftware weg te nemen, maakt het framework het gemakkelijker om nieuwe ideeën te testen en verschillende benaderingen te vergelijken. Het transformeert machine learning van een gespecialiseerde, moeilijk te gebruiken toevoeging naar een standaard, betrouwbaar onderdeel van de technische gereedschapskist. Naarmate systemen complexer en datagestuurder worden, zullen instrumenten zoals deze essentieel zijn om te garanderen dat de ontwerpen van morgen robuust, efficiënt en klaar voor de echte wereld zijn. De onderzoekers hebben hun code en data beschikbaar gesteld aan anderen, en nodigen de bredere gemeenschap uit om voort te bouwen op hun werk en nieuwe mogelijkheden te verkennen in virtuele prototyping.