机器学习建模流程（机器学习模型训练全流程） - 原点资讯

根据3D科学谷的市场观察，从电子商务网站和流媒体平台内置的推荐工具到智能手机中复杂的图像编辑，人工智能和机器学习应用程序在过去几年中迅速发展。

根据 2020 年 MIT麻省理工技术评论洞察的调查，制造业是采用 AI 的两大行业之一。本期，3D科学谷与谷友一起进一步了解人工智能和机器学习如何加速制造业的产品开发工作流程。

机器学习建模流程,机器学习模型训练全流程(1)

人工智能加速制造业产品开发流程

人工智能重新定义产品开发

根据3D科学谷，如今，我们已经习惯于看到 AI 接管越来越多的任务——不仅在我们的日常生活中，而且在医疗应用或工业生产中。人工智能的发展取得了很大进展。现在可以通过人工智能预测生产中的组件故障或从图像中提取信息以在几分之一秒内执行干涉任务。

AI带来的新世界

人工智能和机器学习为制造用例带来了许多好处，包括：产品研发与生产、库存管理、过程和质量控制、预测性维护等。

机器学习建模流程,机器学习模型训练全流程(2)

人工智能赋能3D打印

增材制造-3D打印作为典型的数字化制造技术，从设计到生产再到质量保证（QA）的整个工作流程中都运转着海量的数据。增材制造设计的复杂性与材料、生产参数、质量要求等众多因素相互依存，面对巨大的复杂性，人类的经验很难激发增材制造技术的潜能，使之成为一种用于生产的制造技术。这些特点恰好为人工智能提供了应用土壤。

尽管增材制造技术在实现批量定制化生产以及实现复杂设计方面独具魅力，但该技术在制造业中的应用仍受到诸多阻力，不利因素包括：速度和最终零件的质量或需要进一步的投资才能匹配该技术，企业出于财务方面的考虑等。但人工智能技术在增材制造设计、工艺开发、质量控制、材料开发等关键领域激发增材制造技术的潜能，推动该技术在生产中的应用。

增材制造设计的复杂性与众多因素相互依存，如材料质量将影响零件性能，从而影响设计决策；生产参数将影响质量保证，而质量保证要求将反映在那些设计决策中……等等。

面对如此巨大的设计复杂性，我们更加应当思考的问题不是如何在增材制造中利用AI，而是如果没有AI 驱动的设计、生产、质量保证流程，仅凭人类设计师和工程师的力量，我们还能不能利用好增材制造技术在提高产品性能、加速创新等方面的优势。

根据3D科学谷的市场洞察，领先的公司已经将先进的人工智能解决方案集成到他们的工作流程中。例如，富士康集团使用 NVIDIA 软件库和用于加速计算的 NVIDIA EGX 平台实施了 AI 对其产品组件和工具的自动高精度检测。

根据来自航空航天、汽车和工业机械领域的产品设计师、工程师、研究人员和其他专业人士的反馈，已确定人工智能和仿真是将对产品设计产生最大影响的两项关键技术并直接影响未来五年的发展。

增强的设计和仿真与材料开发

在产品开发中应用人工智能时，创成式设计（Generative Design）是一个常见的用例，因为与传统设计相比，具有这种能力的计算机辅助设计和工程工具所自动生成的有机形状是惊人的。

机器学习建模流程,机器学习模型训练全流程(3)

创成式设计软件

创成式设计是一个人机交互、自我创新的过程。根据输入者的设计意图，通过”创成式”系统，生成潜在的可行性设计方案的几何模型，然后进行综合对比，筛选出设计方案推送给设计者进行最后的决策。

机器学习建模流程,机器学习模型训练全流程(4)

点阵建模软件

通俗理解创成式设计是一种通过设计软件中的算法自动生成艺术品、建筑模型、产品模型的设计方法。创成式设计是一种参数化建模方式，在设计的过程中，当设计师输入产品参数之后，算法将自动进行调整判断，直到获得最优化的设计。

机器学习建模流程,机器学习模型训练全流程(5)

CAE 中人工智能和机器学习的使用正在增加，工程师和分析师能够为设计探索获得近乎实时的洞察力——类似于 ANSYS Discovery 如何利用其基于 NVDIA CUDA 的 GPU 加速求解器将仿真时间从几天缩短到几分钟。

通过人工智能，CAE可以更好地管理耗时的模拟任务，例如几何准备、网格划分、结果数据的管理以及识别大量后处理数据中的趋势和异常。

在材料开发方面，根据3D科学谷的市场观察，国内创新科技企业深势科技运用人工智能和分子模拟算法，结合先进计算手段求解重要科学问题，为人类文明最基础的生物医药、能源、材料和信息科学与工程研究打造新一代微尺度工业设计和仿真平台。

深度势能（Deep Potential）是深势科技团队研发的高效分子模拟算法。在保持量子力学精度准确性的基础上，将分子动力学的计算速度提升了数个数量级。相应的开源软件DeePMD-kit已被国内外物理、化学、材料、生物等方向上千科研组使用。由于3D打印从建模到材料以及工艺过程的全链条数字化特征，3D科学谷认为类似于深势科技这种高效分子模拟算法在3D打印领域具备非常大的优势。

AI优化研发流程

使用来自先前模拟的数据来训练机器学习模型，以缩小设计空间并确定关键设计参数。Monolith AI 是 NVIDIA Inception 计划的成员，旨在支持全球创业生态系统，通过减少模拟、测试和原型的数量，帮助制造公司优化研发流程。这使公司能够通过将机器学习应用于工程设计过程中生成的数据来交付更快、更好的产品。

而根据3D科学谷的市场观察，领先的设计和工程AI平台Monolith AI在2021年开始与Siemens Digital Industries Software-西门子数字工业软件建立新的合作伙伴关系。根据3D科学谷的了解，该合作伙伴关系专注与Siemens的Simcenter™仿真和测试解决方案组合，可以促进将Simcenter数据源和仿真环境与Monolith AI的软件平台紧密集成。

Monolith AI基于云的AI软件使团队能够以前所未有的速度进行协作，分析和设计产品。对于市场而言，这意味着更低的风险，更敏捷的项目以及更好的产品。

通过构建一个超级智能的AI平台，使工程师能够解决以前棘手的问题，Generative Design-创成式设计和Digital Twin-数字孪生等功能被民主化给每位工程师。Monolith AI平台彰显了Monolith对工程技术发展的承诺，以及设计师和工程师改变世界的能力。

根据3D科学谷的了解，Monolith AI使用户能够利用其CAD，仿真和测试数据获利，无需进行新的仿真或物理测试即可使用其预测设计行为。Monolith AI平台可以通过降低内部成本，更快地将更好的产品投放市场并增加销售量来优化研发流程，提高敏捷性并让客户满意。

新的物理 AI 框架

对物理驱动的人工智能模型的需求正在快速增长——尤其是在能源、气候科学和生命科学等行业。3D科学谷了解到借助 NVIDIA Modulus 等框架，制造商和设计工程师可以创建物理驱动的 AI 模型并释放工业仿真的新功能。

NVIDIA Modulus 是一个神经网络框架，它将物理和偏微分方程的力量与人工智能相结合，以构建更强大的模型以进行更好的分析。Modulus 训练神经网络从数据中学习并使用物理定律对复杂系统的行为进行建模。然后，代理模型可以用于各种应用，从工业用例到气候科学。一旦模型经过训练，Modulus 就可以近乎实时或交互式地进行推理。

在《增材制造设计（DfAM)指南》这本书中，援引了AM零件质量影响因素的石川图，在石川图中详细的举出了影响加工质量的160多种因素，仅仅是激光扫描过程，就包括了扫描线长度，扫描线种类，外轮廓，内轮廓，扫描方式，扫描速度，光束矫正，收缩补偿，扫描线顺序，填充间距，填充方向，激光功率，（离）聚焦，表面填充参数，偏移等等。可见要通过人的经验来驾驭和平衡160多种影响加工质量的变量是非常难的。

借助 Modulus，3D打印制造和产品开发的专业人员可以通过更改模型的参数来探索模型的不同配置和场景，从而使他们能够更深入地了解系统或产品。

在3D打印领域，根据3D科学谷的市场观察，Hexagon海克斯康旗下的仿真软件Simufact于2020年9月24日推出了Binder Jetting粘结剂喷射金属3D打印工艺的仿真技术，使制造商能够在设计阶段预测并防止烧结过程对零件产生的变形。新的仿真工具标志着增材制造迈出了重要的一步，因为它可以帮助制造商获得所需的质量，从而通过Binder Jetting粘结剂喷射金属3D打印工艺用于批量生产提供独特优势。

L-PBF金属3D打印方面，根据3D科学谷的市场观察，EOS 与 Nnaisense 公司合作，开发了一种 AI 来模拟 EOS LPBF 流程，作为实现自动质量监控的第一步。允许预测分层监控数据，这些数据由过程监控系统收集。将预测与实际结果进行比较可以更快地评估流程中的违规行为。这有助于在构建工作之前更好地了解在质量数据方面的预期。用户还可以了解不同的零件设计和工艺设置是如何影响传感器读数的，而随着人工智能不断从过程中学习，这将提高准确性。

超越模拟的数字孪生

数字孪生技术也越来越多地被用于制造和产品开发。例如使用 NVIDIA Omniverse Enterprise（一个用于 3D 工作流程的虚拟世界模拟和协作平台），设计师和工程师可以开发和操作物理上精确的数字孪生模型，以支持广泛的人工智能用例。

在增材制造中，仍然非常需要降低所生产零件的成本。这与可能由数十万个层层加工组成的过程的有关。根据3D科学谷的市场了解，离线 CT 测试不仅会增加总体成本，而且还会限制几何形状，因为零件必须具有适当的形状才能进行扫描和测试。如果通过智能过程中监控和测试来取代离线监测，这开辟了新的空间，并可能降低总体成本。

根据3D科学谷的市场了解，具有集成 AI 的过程监控系统将支持这种转变，并实现从全细节测试演变为智能测试的直接方法。根据3D科学谷的市场观察，国际上通过AI来进行增材制造加工质量控制的公司目前包括以色列的printsyst，美国的addiguru，德国的nebumind，以及瑞士的Nnaisense 。

机器学习建模流程,机器学习模型训练全流程(6)