AI を活用したモデルベースデザイン
AI を活用したモデルベースデザイン 設計システムに人工知能 (AI) の手法を適用
「私たちはディープラーニングの専門家ではありませんが、MATLAB と Deep Learning Toolbox を使用することで、ほぼ 90% の精度で NOx 排出量を予測するネットワークの作成と学習を行うことができました。」
バーチャル センサー モデリング
物理センサーでは直接測定できない信号がある場合や、物理センサーを使用することにより設計のコストや複雑さが課題となる場合に、目的の信号を推定します。
- 全結合層、長期/短期記憶 (LSTM) 層、サポート ベクター マシンなど、さまざまなディープラーニング アーキテクチャや機械学習アーキテクチャを使用したバーチャル センサー モデルの作成と比較
- Simulink を用いたシミュレーションおよび展開のための TensorFlow™ または PyTorch® で作成された AI モデルのインポート
- AI ベースのバーチャルセンサーとシステムの他の部分との統合、シミュレーション、およびテスト
- AI ベースのバーチャル センサー モデルの圧縮、およびライブラリを使用しない C コード生成を使用したマイクロ コントローラーや ECU への展開
- 増分学習を用いてリアルタイムでデータを処理するためのバーチャル センサー モデルの適用
システム同定と低次元化モデリング (ROM)
測定または生成されたデータを使用して、非線形動的システムの AI ベースのモデルを作成します。
- システム同定アプリを使用した、測定データからの AI ベース動的モデルの作成
- システムの物理に関する洞察と非線形モデルの同定 (ニューラル状態空間モデル、非線形 ARX モデル、およびその他のモデルアーキテクチャ) を用いた AI 手法を組み合わせることによる、モデル品質の向上
- AI ベースの低次元化モデルの作成による、Simulink におけるサードパーティの FEM、FEA、および CFD モデルの制御設計やシステム開発への再利用
- 低次元化モデル作成アプリを使用した、実験計画法 (DoE) の設定、学習データの生成、および事前構成済みのテンプレートに基づく適切な AI モデルの学習と評価
- デスクトップ シミュレーションやハードウェアインザループ テストを実行するための Simulink における低次元化モデルの使用、および Functional Mock-Up Unit (FMU) を介して Simulink の外部で使用するための低次元化モデルのエクスポート
強化学習
Simulink でモデル化された動的環境と試行錯誤のやりとりを重ねることにより、知的エージェントの学習を行います。
- そのままで使用できるアルゴリズムから選択し、RL Agent ブロックを用いて Simulink に統合することで学習に使用
- 強化学習デザイナーを使用した、対話的なエージェントの設計、学習、およびシミュレーション
- システムレベルのテストの実行と組み込みデバイスへの学習済みエージェントの展開
エンジニアード システムへの AI 導入に MATLAB と Simulink を使用する理由
AI モデルをシステムの他の部分と統合してシミュレーション
関連情報
- Simulink におけるディープラーニングのブロック、機械学習のブロック、強化学習のブロック、および非線形モデル同定のブロック
- システムレベル設計への AI の統合 — ebook
運用時における AI 対応システムの安全性と信頼性を確保
- データ駆動型のシミュレーション ベースのテストとニューラル ネットワークの形式的な検証手法を組み合わせます。
- back-to-back テストにより、動作の等価性を確保します。
- 要件、設計、およびテスト間のトレーサビリティを維持します。
さまざまなハードウェアを対象とした AI モデルからのコード生成
ディープラーニング モデルや機械学習モデルから、サポート対象のハードウェア上で実行する C/C++、CUDA®、および HDL コードを生成して展開します。
組み込み AI 展開時のトレードオフを管理
製品
AI を活用したモデルベースデザインで使用する製品をご紹介します。
ご質問はこちらへ
MathWorks の AI およびモデルベースデザインのエキスパートとつながる
Arkadiy
Tianyi
AI の ワークフローを学ぶ入門コースを見る。
