AI za digitalne blizance i sustave za praćenje i kontrolu obično se obučava na podacima iz sistemskih senzora. Ali takvi podaci senzora obično su ograničeni i bučni i nedovoljni da AI razumije fiziku sustava. To će dovesti do nepravilnog ili nepravilnog ponašanja AI. Ovaj problem rješavamo uključivanjem znanja o fizici sustava u proces obuke kako bi AI bio u skladu s tim fizikom.
Pomažemo programerima digitalnih blizanaca i sustava za praćenje i kontrolu da obuče AI modele iz ograničenih i bučnih podataka koji dolaze iz senzora u sustavu.
Nudimo savjetovanje o korištenju fizike AI, uključujući procjenu potencijala fizike AI, obuku i podučavanje.
Revidiramo AI modele koji se koriste u digitalnim blizancima ili u sustavima za praćenje i kontrolu kako bismo procijenili jesu li korišteni odgovarajući pristupi kako bi se zajamčila usklađenost s temeljnom fizikom i je li model prikladan za svrhu.
4DCool omogućuje optimalnu kontrolu temperature u podatkovnim centrima pružajući prediktivni 3D model temperature zasnovan na podacima senzora u kombinaciji s modelom za fiziku unutarnje klime.
Obučavali smo AI surogat model za upravljanje modelom u petlji velike i složene transportne trake. Ova kontrola modela u petlji robusnija je i pouzdanija od izvorne kontrole zasnovane na pravilima.