Sådan bruger man børneleg til at udvikle en kunstig hjerne
Bolden er kastet og grebet. Det kan vi, fordi hjernen bruger mønstre til at genkende situationer og reagere. Denne form for mønstergenkendelse bruges nu til at udvikle en kunstig hjerne, som på rekordtid kan simulere bygningers opbygning og fortælle en forventet levetid.

Hjernen bruger mønstre til at genkende situationen og reagere. Nu kan denne mønstergenkendelse bruges til at udvikle en kunstig hjerne. (Foto: Colourbox)

 

Når mennesker bevæger sig omkring, arbejder hjernen på højtryk for at beregne risici, forudse andres bevægelser og i det hele taget bestemme den bedste strategi i forhold til at nå sikkert frem til bestemmelsesstedet.

Mange af disse kalkuler foregår så hurtigt, at vi ikke er bevidste om det. Man siger, at ’det sidder på rygraden’.

Under et spil stikbold i skolegården, kaster, griber og undviger børn flyvende bolde med den største lethed. En tennisbolds svæv gennem luften vil i en beregning være beskrevet af et sæt meget komplicerede ligninger.

Hvis menneskehjernen regnede på samme måde som en klassisk computer, ville der med garanti aldrig blive grebet nogen bolde i skolegården.

Vi ville simpelthen være for længe om at beregne og forudsige boldenes bevægelse gennem luften til at kunne reagere, før det for længst var for sent.

Heldigvis regner menneskehjernen ikke i ligninger, men i mønstre. Og selvom enkelte processer i en computer kører meget hurtigere end i en menneskehjerne, er menneskehjernen computeren langt overlegen, når det kommer til genkendelse af mønstre.

Hjernen forudsiger mønstre i forbløffende tempo

Menneskehjernen består af flere milliarder neuroner, som er forbundet på kryds og tværs af et svimlende antal synapser. Denne struktur gør, at vi kan bearbejde og reagere på sanseindtryk utrolig hurtigt.

Når menneskehjernen først har lært et mønster at kende, kan den genkende og forudsige dette mønster i et forbløffende tempo.

Det er netop denne evne, som gør os i stand til at forudsige en bolds bevægelser, så vi på en brøkdel af et sekund, kan bestemme os for at gribe eller undvige i et spil stikbold.

Det er den samme egenskab, der gør os i stand til at genkende ansigter og læse håndskrift. Denne evne kan efterlignes matematisk. Metoden kaldes Neurale Netværk og er et af de værktøjer, man overordnet kender som kunstig intelligens.

Kan identificere mønstre i store dataset

Fakta

Med denne artikel fik Niels Hørbye Christiansen andenpladsen i ErhvervsPhD Foreningens formidlingspris 2013. Priserne blev uddelt ved ATV’s årsmøde 5. maj.

Neurale netværk repræsenterer populært sagt den ubevidste del af hjernen.

De fleste af de mønstre, vi ser, opfatter vi så hurtigt, at det sker ubevidst, og uden at vi har mulighed for at undertrykke det. Det er for eksempel umuligt på forhånd at bestemme sig for, at man vil kunne genkende en gammel bekendt, hvis man skulle møde vedkommende på gaden.

Fra et ingeniørmæssigt perspektiv er den store fordel ved disse neurale netværk, at de er i stand til at identificere mønstre i store dataset – og ikke nok med det – når mønsteret er identificeret, kan det neurale netværk lave forudsigelser i samme imponerende tempo som menneskehjernen.

Sådan bruges neurale netværk i konstruktionsdesign

Et dansk forskningsprojekt er netop i gang med at udvikle en metode, hvor neurale netværk benyttes til at simulere konstruktioners bevægelser.

Det er nemlig en konstruktions bevægelser over længere perioder, som benyttes til at forudsige dens forventede levetid. Ideen er at kombinere klassiske simuleringsteknikker med anvendelse af neurale netværk.

De klassiske teknikker, som benyttes i dag, kræver ofte avancerede og forfinede beregningsmodeller. Disse modeller stiller store krav til beregningskraft og derved til computerkapacitet.

Små, hyppige belastninger svære at udregne

Styrkeberegninger i konstruktionsdesign kan overordnet opdeles i to discipliner: Ekstremsituationer og udmattelse.

- Ekstremsituationer er voldsomme, men sjældne hændelser – såsom orkan, skybrud, jordskælv, eksplosioner, påkørsel eller påsejling.
- Udmattelse er små, hyppige belastninger, såsom vind, bølger, trafik og fodgængere, som over længere tid slider på konstruktioner.

Det er specielt disse udmattelsesanalyser, som er beregningstunge og derved langsommelige at gennemføre. Men netop fordi konstruktioner ofte bevæger sig i et fast mønster, kan neurale netværk trænes til at genkende dette mønster og derefter benyttes til at forkorte beregningstiden.

Netværket optrænes som et barn

Helt kort fortalt er metoden, at man først opstiller sin detaljerede beregningsmodel af sin konstruktion på helt normal vis.

Menneskehjernen består af flere milliarder neuroner, som er forbundet på kryds og tværs af et svimlende antal synapser. Denne struktur gør, at vi kan bearbejde og reagere på sanseindtryk utrolig hurtigt. (Foto: Colourbox)

Modellen benyttes til at lave en ganske kort simulering. Det er disse simuleringer, som er meget beregningstunge, så simuleringen skal være så kort som muligt, men stadig så tilpas lang, at man når at fange konstruktionens dynamiske egenskaber – dvs. de små bevægelser som den oplever under dagligdags belastning.

De data, som man får ud af denne simulering, indeholder konstruktionens bevægemønster. Så ved at benytte disse data til at træne det neurale netværk, opnår man en lille kunstig hjerne, som lynhurtigt kan forudsige, hvordan konstruktionen vil bevæge sig for en given ydre belastning.

Denne træning af det neurale netværk, med data man har beregnet på forhånd, svarer til, at man lader et barn se en masse bolde flyve gennem luften en efter en. Efter relativt få bolde vil barnet være i stand til at gribe boldene, fordi boldens svævemønster genkendes.

 

Den nye metode omgår irriterende dilemma

Et godt designgrundlag for konstruktioner kræver grundlæggende to ting. En detaljeret og raffineret beregningsmodel, og en omfattende analyse. Her møder man et dilemma:
Jo bedre og mere forfinede beregningsmodellerne bliver, jo større krav til beregningskraft stiller de efterfølgende analyser.

Det betyder, at man altid må finde et kompromis mellem detaljeringsgrad og analyseomfang, for når beregningsmodellerne bliver meget detaljerede, bliver analyserne så beregningstunge, at det, selvom der er stor computerkapacitet til rådighed, ikke er praktisk muligt at gennemføre dem.

Men med den nye metode er det muligt at omgå dette dilemma, da det neurale netværk kan lære konstruktionens dynamiske egenskaber og samtidig beregne i et højt tempo.

 

Kæmpe besparelse i beregningstid

Indtil videre er metoden afprøvet på et forankringssystem på en stor flydende havinstallation.

Gevinsten ved at benytte metoden er, at simuleringer, som normalt kræver op mod 10 timers beregningstid, nu kan gennemføres på under to minutter.

Der er altså tale om en fundamental anderledes måde at regne på – en metode, som giver en revolutionerende reduktion i beregningstid.

Det minder os også om, hvor fantastisk et instrument den menneskelige hjerne faktisk er.

Lyt på Videnskab.dk!

Hver uge laver vi digital radio, der udkommer i form af en podcast, hvor vi går i dybden med aktuelle emner fra forskningens verden. Du kan lytte til den nyeste podcast i afspilleren herunder eller via en podcast-app på din smartphone.

Har du en iPhone eller iPad, kan du finde vores podcasts i iTunes og afspille dem i Apples podcast app. Bruger du Android, kan du med fordel bruge SoundClouds app.
Du kan se alle vores podcast-artikler her eller se hele playlisten på SoundCloud