Штучний інтелект для цифрових близнюків та для систем моніторингу та контролю, як правило, навчається на даних системних датчиків. Але такі дані датчиків зазвичай обмежені, шумні та недостатні, щоб ШІ зрозумів фізику системи. Це призведе до нестабільної або неправильної поведінки штучного інтелекту. Ми вирішуємо цю проблему, включивши знання про фізику системи в навчальний процес, щоб AI відповідав цій фізиці.
Ми допомагаємо розробникам цифрових близнюків і систем моніторингу та управління тренувати AI-моделі з обмежених і галасливих даних, що надходять від датчиків в системі.
Ми пропонуємо консультації щодо використання фізичного ШІ, включаючи оцінку потенціалу фізичного ШІ, навчання та навчання.
Ми перевіряємо моделі штучного інтелекту, які використовуються в цифрових близнюках або в системах моніторингу та контролю, щоб оцінити, чи були використані належні підходи для гарантування відповідності основній фізиці та чи підходить модель для мети.
4DCool дозволяє оптимально контролювати температуру в центрах обробки даних, надаючи прогнозну 3D-модель температури на основі даних датчиків у поєднанні з моделлю фізики внутрішнього клімату.
Ми навчили сурогатну модель AI для управління моделлю в циклі великої та складної конвеєрної стрічки. Цей контроль моделі в циклі є більш надійним і надійним, ніж оригінальний контроль, заснований на правилах.