Тренд на использование искусственного интеллекта в решении различных задач очевиден, и он нарастает во всем мире. В нашей стране ведущие лаборатории работают над созданием моделей и алгоритмов с использованием нейросетей, машинного обучения для решения сложных задач. Один из проектов, который реализуют в МАИ, — создание нейросетевой библиотеки для быстрых аэродинамических расчетов. Очень актуальный проект, аналогов которому на сегодняшний день в мире нет. Подробнее о проекте и использовании ИИ в авиастроительной отрасли побеседовали с Вадимом Кондаратцевым, руководителем Лаборатории искусственного интеллекта и математического моделирования института № 8 «Компьютерные науки и прикладная математика» МАИ, преподавателем, научным сотрудником кафедры 806 «Вычислительная математика и программирование».
— Вадим, расскажите немного о вашей лаборатории.
Мы занимаемся машинным обучением, реализуем коммерческие проекты для больших компаний или совместно с большими компаниями, работаем в рамках грантов. Много интересного создаем своими руками, причем не только чисто научного характера, но и прикладного. Например, не так давно мы реализовали проект для Сбера: смоделировали разлив рек на территории Российской Федерации на основе исторических данных и спутниковых показаний, спутниковых снимков — то есть моделировали разлив воды по 3D-рельефу.Одним из самых крупных проектов, который находится в активной стадии разработки, сегодня является создание нейросетевой библиотеки для быстрых аэродинамических расчетов. Этот проект особенно актуален, поскольку существует большой спрос от различных государственных организаций, Фонда перспективных исследований на использование искусственного интеллекта в расчетах и решении сложных физических задач.
— Что собой представляет этот проект?
Когда разрабатывают новый самолет, нужно ответить на большое количество вопросов. Например, как себя будет вести крыло самолета, если внезапно появится боковой ветер; если он окажется очень сильным, загнется ли крыло, сломается, не сломается? Достаточно ли корректно инженер, который проектирует самолет, расположил крылья на фюзеляже, надо чуть вперед подвинуть крыло или чуть назад? Конечно, проводятся аналитические расчеты, которые помогают ответить на вопросы такого рода, но все детали вычленить попросту невозможно. И традиционный подход, существующий на сегодняшний день, подразумевает необходимость проведения натурных испытаний, построение макета, загрузки его в аэротрубу, проведение расчетов на суперкомпьютерах.
И вот, например, с тем же боковым ветром: чтобы полноценно посчитать аэродинамические показатели самолета, необходимо использовать самый большой кластер — например суперкомпьютерные мощности ядерного центра в Сарове. И только по одному аэродинамическому показателю расчет будет вестись в течение трех-четырех недель. Соответственно, мы попадаем в такую ситуацию, когда, если хотим просчитать 10 потенциальных вариантов, у нас просто может не хватить времени для этого. В итоге мы не знаем, выбрали мы хороший вариант или плохой, мы просто знаем, упадет самолет или нет при этом варианте. Конечно, хотелось бы побыстрее находить оптимальные компоновки, схемы. В результате возникла идея: заменять эти сложные дорогие расчеты, используя нейросети. Ведь одно из классных свойств машинного обучения — это не только то, что оно позволяет решать какие-то сложные, плохо формализуемые задачи, а то, что уже обученные нейросети работают очень быстро, практически мгновенно, и прирост скорости всегда колоссален.
Направление, в котором мы работаем сейчас, — это мировой тренд. Использовать нейронные сети вместо суперкомпьютеров, чтобы быстро делать сложные расчеты, экономя не только время, но и мощности суперкомпьютеров.
Используя нейросети, мы можем быстрее придумать, собрать новый самолет, перебрать больше схем, найти более оптимальные варианты того, как должно выглядеть изделие.
— Как давно используют ИИ в авиастроении?
Мы живем в эпоху ренессанса искусственного интеллекта: начиная с 2012 года, когда зарождался этот тренд, он был связан с табличными данными, потом с картинками, потом с аудио, потом с текстами, с 2015 года появлялись 3D-модели, а с 2019 года начали появляться физические симуляции. И глобально — это тренд ИИ брать все более и более сложные данные, с которыми можно работать.
Среди всех возможных нейросетей, которые придумывают каждый год, появилось новое направление — физически информированные нейронные сети, — которое предоставило возможность считать сложные уравнения нейронными сетями напрямую (сеть дает аналитическое решение). У DeepMind вышла работа, которая показала, что при помощи этих нейронных сетей можно считать, как флаг на ветру колеблется и как металл гнется, воздух обтекает крылья… И вот с 2021 года начали применять нейросети в авиастроении, а точнее — в аэродинамике.
Мы тоже в 2021 году взялись за эту задачу и начали искать собственные подходы. Если смотреть на аэродинамику последних лет, то количество статей на эту тему экспоненциально растет. Количество коммерческих приложений также сильно возросло. Есть гиганты индустрии, такие как, например, Siemens, которые владеют продуктами, просчитывающими аэродинамические показатели самолетов, ветряков, машин. Есть и стартапы, которые работают в этом направлении.
Если говорить про нашу страну, то у нас есть свой программный продукт «Логос», который разработал РФЯЦ ВНИИЭФ и которым пользуются многие компании при проектировании авиационной техники.
Так получилось, что разработчики «Логоса» тоже заинтересованы во внедрении методов машинного обучения. И мы как раз вместе с РФЯЦ ВНИИЭФ присоединились к этому мировому движению.
— Почему решили заняться именно этим проектом?
Это государственный заказ. Хотя на нашей кафедре есть научный интерес: мы занимаемся математическим моделированием и машинным обучением — почему бы не скрестить? Но все началось с первого крупного госзаказа в рамках 707 постановления правительства: делаем большой проект под названием «Логос Отделение». МАИ разрабатывает многие продукты — программную оболочку, интегрирует отечественное ПО. И нашей лаборатории была выделена задача, связанная с внедрением экспериментального блока на основе машинного обучения для ускорения вычислений. В рамках этого эксперимента мы и начали свою разработку.
И сегодня это уже не только этот проект, но и большие гранты от различных государственных фондов.
Мы работаем с конца 2021 года и находимся на этапе тестирования первой версии разработанной библиотеки перед первым тестовым внедрением на предприятие. До конца года необходимо внедриться на предприятие в качестве вспомогательного модуля.
— На каком этапе проект сегодня?
Сейчас у нас идет тестирование внутри нашего университета на основе тех данных, которые нам предоставили наши технические соисполнители («Сухой», «Вымпел»). Первая версия библиотеки предполагает, что у нас есть несколько нейросетей, которые умеют работать для трехмерного случая, сложной геометрии (настоящего самолета со всеми деталями), умеют предсказывать скорость и давление окружающего пространства. Есть несколько удачных версий, которые мы планируем развивать в будущем и доводить до совершенства. Что касается точности, мы стараемся попасть в 30 %. И хоть, возможно, это звучит не очень впечатляюще, мы предсказываем не одну силу, а целое поле, и этот показатель очень неплохой.
Если проанализировать открытые данные, во всем мире вычисления работают в плоскости, но не в пространстве. А если есть информация, что что-то работает в пространстве, при попытках воспроизведения модели мы сталкиваемся с нерабочим вариантом. Сейчас весь мир находится на стадии, когда есть отдельные научные публикации, но для реального применения крайне мало проектов (и информация о них находится в полной секретности).
Мы проделали большую работу: переработали весь мировой опыт и подобрали именно тот вариант, который работает, и теперь можем его развивать.
— Что будет финальным продуктом? К чему стремитесь, какие этапы предстоят?
Есть два критерия — скорость работы и точность работы. Первоначально вся идея нейросетей заключается в том, чтобы тысячекратно ускориться, но потерять в точности не более 10 %. Мы сможем качественно быстро перебирать варианты, а там, где нужно точнее, использовать суперкомпьютер. Сейчас мы тысячекратно ускорились, но в диапазон точности не попадаем. Наша первая цель — увеличить точность работы нейросети. И вторая цель — модифицировать текущий подход так, чтобы не только в рамках отдельного аэродинамического расчета мы укладывались в точность и скорость, но и делали это в процессе решения комплексной задачи (связанный расчет).
Ведь задачи, которые решаются при проектировании авиатехники, комплексные, они заключаются не только в аэродинамических расчетах, но и учитывают прочность, тепло, динамику полета, систему управления и т. д. В одну секунду все вместе должно моделироваться. Мы в данном проекте пытаемся включиться в общий контур всех задач.
— Аналоги данной системы существуют?
В мире есть два стартапа, которые делают что-то похожее. Мы анализировали их результат и заметили особенность: они отдельно считают процессы (например, аэродинамику машин), но не считают это комплексно. А мы стараемся создать комплексное решение.
— Когда будет реализован проект?
Мы планируем завершить проект к 2026 году.
— Кто в вашей команде?
Студенты, бакалавры, магистранты, аспиранты. Специалисты, которые занимаются разработкой и тестированием новых нейронных сетей. Группа разработчиков, классических айтишников, кто внедряет в наши нейросети какую-то собственную оболочку или оболочку заказчика. Есть консультанты, ученые, которые много лет занимаются газовой динамикой. Больше внимание уделяем 3D-моделированию, так как внутри задач есть много работы с геометрией и визуализацией.
— ИИ, нейросети — это то, о чем все говорят. Как вы относитесь к шумихе вокруг ИИ, нужно ли ограничивать законодательно его использование, в том числе в промышленном секторе, либо наоборот?
Если говорить об опасностях использования ИИ, то, конечно, они есть. И в первую очередь, это слабая интерпретируемость результатов. Нейросеть не может про себя рассказать, почему она сделала тот или иной выбор. Кстати, у нас есть направление, в рамках которого мы пытаемся усилить интерпретируемость наших моделей. И при внедрении методов ИИ в промышленность есть сложная процедура сертификации. Сейчас пишутся новые ГОСТы в авиации, предусматривающие то, какие мы должны провести тесты, чтобы гарантировать, что нашу нейросеть в том или ином виде можно внедрять и что она не навредит. Потому к использованию ИИ, конечно, надо подходить с большим вниманием.
И я надеюсь, что, пройдя все сложные процедуры, этапы развития, к 2030 году с помощью нейросетей мы сможем проектировать самолеты.