模拟现实世界是一个非常复杂的问题,如果你想要达到任何有用的保真度水平。传统技术阻碍了汽车和航空航天公司的设计团队,但Beyond Math正在用一种新的模拟世界的方式让人工智能完成这项任务,这可以为他们节省几天或几周的等待时间。
“与语言不同,我们没有数学模型来描述下一个词应该是什么,但当涉及到物理时,我们有这些模型。我们发现机器学习实际上在计算方面相当出色,而不仅仅是模式识别,”联合创始人达伦·加维 (Darren Garvey) 表示。
Beyond Math 迈出第一步的领域是计算流体力学 (CFD),它的历史与计算的历史一样悠久。控制物体在空气或水中或物体周围空气运动的方程极其复杂。因此,尽管我们不断提高预测机翼上空气流动方式的能力,但我们仍远未达到完美——我们能做的事情需要大量的计算能力,因此仅限于超级计算机和 GPU 集群。
结果是汽车、飞机和船舶等行业的设计过程需要大量的等待时间。
“对于设计师来说,他们会花很多心思考虑什么可能有效,然后进行模拟。第二天早上他们就会得到结果。它要么达到了他们想要的效果,要么没有,他们必须再重复几次这个循环。然后你把它带到风洞里,”加维说——风洞很可能不同意模拟结果,所以又得重新开始。
Beyond Math 的目标是加速数字设计方面,这意味着缩短从产生想法到发现其是否有可能实现之间的延迟。
“他们说,如果我做出这种设计变更,我的汽车会更省油吗?想象一下,您有六个月的时间来设计飞机零件。考虑到模拟需要很长时间,您可能会尝试 20 次。但如果设计师想出一个主意并在几秒钟或几分钟内得到结果,那么在同样的六个月内,您可能能够进行一百万次更改,”Garvey 说。
而且看起来,机器学习才是实现这一目标的正确方式,而不仅仅是运行相同旧方程式的更多 GPU。他们的第一款产品是“数字风洞”,可以近乎实时地模拟复杂表面上的气流,而这种模拟的保真度通常需要数百倍的时间。
我们在科学文献中看到过类似的例子,使用经过数千小时模拟和观察模式训练的机器学习模型,可以在很短的时间内有效地近似天气系统模型。但 Beyond Math 并没有预先存在的训练集。
“目前市面上的模拟数据并不多——我们没有像法学硕士那样的整个互联网来训练。那么,作为一家初创公司,你如何获得与设计师正在使用的东西相当的东西,并能在这些非常复杂的几何形状上工作呢?”
令人惊讶的是,他们找到的答案不是依赖模拟,而是建立一个能够理解风洞背后的理论以及该理论观察到的现实的模型。
“我们并不是试图接近模拟,而是试图接近现实世界,”加维说。“你必须引入现实世界的数据才能做到这一点。”
一旦模型理解了系统的行为方式,它也可以成为设计的积极参与者,许多工程师已经开始在其他领域探索这种可能性。Garvey 将其与图像理解进行了比较:机器学习模型也必须先学会走路,然后才能跑,但一旦它们能够熟练地分析图像,它们下一步就会直观地生成图像。
Beyond Math 的首批市场之一是一级方程式赛车,一些未透露姓名的车队正在探索使用该软件来加快他们的空气动力学和车辆设计过程。
“他们是 CFD 的最大用户之一,而且他们行动迅速,会采用新技术。我们一直与几支 F1 车队密切合作,进行了大量评估并了解他们的核心问题。我们即将拥有一个真正让他们的赛车跑得更快的平台,”Garvey 说道。
事实上,他表达了希望(通常警告说没有任何保证),在六个月内“我们将能够证明客户正在从这些模型中受益,并且他们已经从研究和概念验证转变为具有实际影响的事物。”
新的资金应该有助于实现这一目标:Beyond Math 刚刚完成了由 UP.Partners 领投的 850 万美元种子轮融资,Insight Partners 和 InMotion Ventures 也参与其中。
该初创公司希望将团队规模扩大一倍,并扩大计算规模;他们正在购买 Nvidia DGX 200,并与这家芯片巨头合作开发其无处不在的计算硬件的这一有趣的新应用。
尽管竞争激烈、资金雄厚的 F1 赛车界无疑是一个好客户,但 Beyond Math 正在考虑下一步的行动。
“我们看到客户在设计领域取得了很多成功,但从那到更普遍的领域还需要一段旅程。例如,如果一个模型能够理解汽车或类似汽车的物体,它就不一定能理解飞机或血管,”加维说。“但这就是典型的创业舞蹈——你必须先找到自己的发展之路,然后才能有扩张的跑道。作为一家企业,我们专注于这些顶级客户,这样他们才能帮助公司起步。”