AI til digitale tvillinger og til systemer til overvågning og kontrol trænes typisk på data fra systemsensorer. Men sådanne sensordata er normalt begrænsede og støjende og utilstrækkelige til at få AI til at forstå systemets fysik. Dette vil føre til uregelmæssig eller ukorrekt opførsel fra AI. Vi løser dette problem ved at indarbejde viden om systemets fysik i træningsprocessen for at få AI til at overholde denne fysik.
Vi hjælper udviklere af digitale tvillinger og systemer til overvågning og kontrol med at træne AI-modeller ud fra de begrænsede og støjende data, der kommer fra sensorerne i systemet.
Vi tilbyder rådgivning omkring brugen af fysik AI, herunder en vurdering af potentialet i fysik AI, træning og instruktion.
Vi reviderer AI-modeller, der bruges i digitale tvillinger eller i systemer til overvågning og kontrol for at vurdere, om der er brugt korrekte tilgange til at garantere overholdelse af den underliggende fysik, og om modellen er egnet til formålet.
4DCool muliggør optimal temperaturregulering i datacentre ved at levere en forudsigelig 3D-temperaturmodel baseret på data fra sensorer i kombination med en model for indeklimaets fysik.
Vi trænede en AI-surrogatmodel til model-in-the-loop-kontrol af et stort og komplekst transportbånd. Denne model-in-the-loop-kontrol er mere robust og pålidelig end den oprindelige regelbaserede kontrol.