Machine learning

Machine learning is een belangrijke nieuwe techniek om computermodellen te ontwikkelen. In het onderstaande laten we zien wat de voordelen ervan zijn, maar ook wat de beperkingen zijn. Anderzijds hebben simulaties die rechtstreeks op fysica gebaseerd zijn ook hun beperkingen. Per situatie moet daarom gekeken worden welke aanpak, of combinatie van aanpakken, het beste is.

Machine learning versus fysica-gebaseerde simulatie

In de wereld van simulatie en verwachtingsberekeningen zijn de meeste berekeningen gebaseerd op een natuurwetenschappelijke beschrijving van de onderliggende processen. Dit wordt vaak kortweg aangeduid als fysica-gebaseerde simulatie, hoewel ook andere natuurwetenschappen dan fysica de basis voor een model kunnen vormen.

De kracht van dit soort simulaties is dat ze algemeen geldig zijn en dat hun correctheid (ten opzichte van de onderliggende natuurwetten) gecontroleerd kan worden. Daar staan belangrijke nadelen tegenover: ze vergen over het algemeen veel rekenkracht en rekentijd. Bovendien is het ontwikkelen en kalibreren ervan heel arbeidsintensief. En van sommige processen hebben we nu eenmaal geen goede natuurwetenschappelijke beschrijving.

Machine learning modellen komen op een heel andere manier tot stand. Bij machine learning wordt het model niet expliciet geprogrammeerd. Het algoritme leert zichzelf om zich te gedragen zoals het proces dat gemodelleerd wordt. Dat leren, of trainen, kan op basis van veel meetgegevens, maar ook door te leren van een fysica-gebaseerde simulatie. Het trainen van een machine learning model kan veel rekenkracht vragen en kent de nodige valkuilen. Maar als een model eenmaal goed getraind is, dan geeft het heel snel antwoorden, vaak ook met relatief weinig rekenkracht.

Daar staan ook nadelen tegenover. De belangrijkste is wel dat het model niet inherent betrouwbaar is. Zeker buiten het bereik waarvoor het getraind is kan het onverwachte antwoorden geven. En ook binnen het trainingsbereik kan het zich soms niet-fysisch gedragen.

Toch zijn machine learning modellen in veel gevallen heel bruikbaar in de technisch-wetenschappelijke sector.  Zeker als er bij het trainen ook wat fysisch begrip meegetraind wordt.

In welke situaties is machine learning een goede oplossing en wanneer juist niet?

Waar machine learning een goede oplossing is

Machine learning is zeker een goede aanpak voor voorspellingsberekeningen als het gaat om processen waarvoor geen goede fysische beschrijving bestaat.

Een bekend voorbeeld is het voorspellen van de veroudering van machines. Dat is nodig voor voorspellend onderhoud, waarbij men het onderhoud van de machine wil kunnen plannen op het moment dat het nodig is en goed uitkomt. Dus niet te vroeg en niet te laat.

Een ander voorbeeld waar machine learning heel bruikbaar is, is waar het gaat om het gedrag van mensen. Bijvoorbeeld het gebruik van drinkwater in een stad als functie van de tijd of de keuzes die mensen onder bepaalde omstandigheden maken voor hun vervoerwijze.

Waar machine learning geen goede oplossing is

Hoewel de ontwikkelingen rondom machine learning heel hard gaan, kan voorlopig nog gesteld worden dat machine learning minder geschikt is in situaties waarbij de fysische correctheid van de resultaten essentieel is. Dat is omdat het vaak lastig is om te garanderen dat een machine learning model zich aan de wetten van de fysica houdt.

Ook is machine learning vaak een minder goede aanpak als het belangrijk is dat de werking van het model goed begrepen wordt. Afhankelijk van de specifieke techniek die gebruikt wordt is het vaak niet te achterhalen hoe een machine learning model precies tot zijn antwoorden komt. Dat maakt het dan moeilijk om verantwoording af te leggen voor die antwoorden.

Tenslotte kan machine learning minder bruikbaar zijn als er weinig data is, of als de data van slechte kwaliteit is. Dit bezwaar kan overigens in sommige gevallen opgelost worden door gebruik te maken van fysica-gebaseerde modellen om synthetische data te genereren of door fysica te gebruiken bij het trainen. Maar een gebrek aan data kan het gebruik van machine learning wel minder aantrekkelijk maken.

Het beste van twee werelden: machine learning combineren met fysica-gebaseerde simulaties

Het combineren van machine learning met fysica gebaseerde simulatie levert in bepaalde gevallen de ideale oplossing.

Een op fysica gebaseerde simulatie kan bijvoorbeeld gebruikt worden voor het trainen van een machine learning model. Dat leert zich dan gedragen als het fysische model, maar is wel veel sneller.

Zo’n snel model kan dan bijvoorbeeld gebruikt worden binnen ontwerpberekeningen om veel varianten van een ontwerp door te rekenen en zo een optimaal ontwerp te vinden. Een andere toepassing wordt gevonden in Digital Twins, waar een machine learning model gebruikt wordt om synchroon met het fysieke systeem te draaien, wat met een fysica-gebaseerde simulatie meestal niet mogelijk is.

Ook kan een machine learning model gebruikt worden in real-time sturingsalgoritmen, waar een fysica-gebaseerde simulatie vaak te traag voor is. Zo’n sturingsalgoritme kan overigens ook rechtstreeks geleerd worden met machine learning. Tijdens de trainingsfase kan een sturingsalgoritme gebaseerd op machine learning het fysica-gebaseerde simulatie gebruiken om te leren hoe het systeem op stuursignalen reageert en hoe het daar zelf op moet reageren.

Een ander voorbeeld van de combinatie van machine learning met fysica-gebaseerde simulatie is om binnen de fysica-gebaseerde simulatie deelprocessen die te veel rekentijd vragen of waarvan de fysica niet goed bekend is door te rekenen met een deelmodel dat is gebaseerd op machine learning.

Daarnaast zijn er nog tal van andere mogelijkheden. Machine learning kan bijvoorbeeld gebruikt worden om simulatiemodellen te kalibreren: het kan leren om bij een set meetgegevens de juiste parameters voor het model te vinden. Of een machine learning algoritme kan op basis van een fysica-gebaseerde simulatie leren om sensorwaarden te vertalen naar andere grootheden die niet direct geobserveerd kunnen worden, wat bekend staat als soft sensoring.

Onze aanpak

Hoewel alle bovenstaande voorbeelden al in de literatuur bekend zijn, is het zeker niet zo dat al deze technieken inmiddels gemeengoed zijn. Temeer omdat de ontwikkelingen op het gebied van machine learning heel snel gaan en er voortdurend nieuwe, betere technieken beschikbaar komen die geprobeerd kunnen worden.

VORtech volgt deze ontwikkelingen op de voet. Als een van de weinige bedrijven in Nederland dat volledig gespecialiseerd is in diensten op het gebied van rekenen en simuleren, zijn we voortdurend bezig om voor onze klanten betere methoden te vinden. En we passen deze nieuwe technieken toe bij klanten als dat een oplossing kan zijn voor hun uitdaging. In sommige gevallen zijn we voldoende zeker van onze zaak om een goed resultaat te garanderen. Maar in andere gevallen werken we samen met de klant om een nieuwe techniek of aanpak uit te proberen.

Als u geïnteresseerd bent, dan spreken we graag eens de mogelijkheden met u door. Het volledig ontwikkelen van een machine learning oplossing, zeker als dat gecombineerd wordt met fysica-gebaseerde simulatie kan complex zijn. Maar het kan enorme voordelen opleveren. Vaak kan al met een kort project worden vastgesteld of machine learning een kansrijke oplossing is.

Voor meer informatie over machine learning ontwikkelingen en hoe VORtech daarmee omgaat: zie deze blogreeks.