هوش مصنوعی در بهینه‌سازی آزمایش‌ها چه نقشی دارد؟

به گزارش مجله خبری نگار/آنا؛ این تمدید همکاری که تا سال ۲۰۲۷ ادامه می‌یابد، بر پایهٔ یک آزمایش موفق طراحی شده است که در آن هوش مصنوعی برای بهینه‌سازی فرایند تست خودرو الکتریکی نیسان لیف به‌کار رفته و قرار است این فناوری به مدل‌های آتی نیسان نیز اعمال شود. اما هدف اصلی پروژه کاهش زمان تست و تسریع نوآوری در عملیات خودرو‌ها است.

کاربرد هوش مصنوعی در بهینه‌سازی آزمایش‌ها

مدیر مهندسی مشتری‌محور و عملیات تست در مرکز فنی نیسان اروپا، اعلام کرد ترکیب نرم‌افزار مهندسی مبتنی بر هوش مصنوعی Monolith با داده‌های دهه‌ها آزمایش امکان شبیه‌سازی و اعتبارسنجی عملکرد خودرو را با دقت قابل‌توجهی فراهم می‌آورد.

پروژهٔ نوآورانه از یادگیری ماشین استفاده می‌کند تا تعداد آزمایش‌های فیزیکی مورد نیاز برای هر خودرو را کاهش دهد و در عین حال سرعت توسعه، دقت و پایداری فرایند‌ها را افزایش دهد. نمونهٔ اولیهٔ این فناوری برای اعتبارسنجی تست‌های نیسان لیف تولیدشده در سندرلَند به‌کار رفت و قرار است در دیگر مدل‌های آیندهٔ نیسان نیز گسترش یابد.

تحلیل داده‌ها و پیش‌بینی نتایج فیزیکی

پژوهشگران مرکز فنی نیسان اروپا در کرَنفیلد از پلتفرم هوش مصنوعی Monolith برای تحلیل بیش از ۹۰ سال دادهٔ آزمایش‌های شرکت استفاده خواهند کرد تا نتایج آزمایش‌های فیزیکی را بهتر پیش‌بینی کنند.

مدل‌های یادگیری ماشین، آموزش‌دیده بر ترکیبی از داده‌های تاریخی آزمایش و شبیه‌سازی‌های دیجیتال، به کاهش وابستگی به نمونه‌های فیزیکی منجر می‌شوند و بدین ترتیب زمان توسعه و مصرف منابع تا حد قابل‌توجهی کاهش می‌یابد. سیستمِ مبتنی بر داده قادر است عملکرد خودرو را در شرایط مختلف پیش‌ازآنکه هرگاه به پیست تست برسد، پیش‌بینی کند.

نقش هوش مصنوعی در کوتاه‌کردن زمان عرضه

نیسان اعتقاد دارد این رویکرد زمان ورود محصول به بازار را تسریع خواهد کرد و تعهد شرکت به نوآوری و پایداری را نیز تقویت می‌کند. چشم‌انداز مدیران نیسان این است که هوش مصنوعی نقشی مرکزی و فزاینده در طراحی، تست و عرضهٔ نسل بعدی خودرو‌ها ایفا کند تا مشتریان زودتر به محصولات جدید دسترسی پیدا کنند. اجرای موفق این فناوری می‌تواند چرخهٔ توسعه را کوتاه‌تر و منابع مصرفی را کاهش دهد.

کاهش آزمایش‌های فیزیکی در عمل

نتایج اولیهٔ همکاری نشان داد تمرکز هوش مصنوعی بر اولویت‌بندی تست‌ها و تحلیل داده‌ها می‌تواند اثربخشی را افزایش دهد؛ در یک مرحله، پلتفرم Monolith برای تست عملکرد اتصالات پیچ در شاسی خودرو به‌کار گرفته شد.

سیستم موفق به شناسایی محدودهٔ گشتاور بهینه برای سفت‌کردن پیچ‌ها شد و همچنین آزمون‌های تکمیلی که مهندسان باید در اولویت قرار دهند را پیشنهاد کرد؛ این رویکرد منجر به کاهش ۱۷ درصدی تست‌های فیزیکی در مقایسه با روش‌های سنتی شد.

پیش‌بینی می‌شود اعمال این روش در همهٔ برنامه‌های توسعهٔ خودرو می‌تواند زمان کلی تست را تا نیمی کاهش دهد.

ابزار‌ها و قابلیت‌های سکوی نیسان

سکوی Monolith از مدل‌های یادگیری ماشین آموزش‌دیده بر مجموعه‌داده‌های گستردهٔ حاصل از تست‌های فیزیکی و شبیه‌سازی‌ها استفاده می‌کند و توانایی پیش‌بینی عملکرد، شناسایی ناهنجاری‌ها و پیشنهاد تست بعدی را ظرف چند دقیقه دارد.

ابزار‌هایی مانند «پیشنهادگر تست بعدی» و «شناسایی ناهنجاری» روند توسعه را سریع‌تر، دقیق‌تر و کم‌هزینه‌تر می‌سازند و به مهندسان امکان می‌دهند تمرکز خود را بر موارد با بیشترین نیاز به ارزیابی قرار دهند.

منابع خبری اضافه می‌کنند که نتایج همکاری نیسان و Monolith نمونهٔ روشنی از نحوهٔ کاربرد یادگیری ماشین در افزایش بهره‌وری و نوآوری در مهندسی خودرو ارائه می‌دهد.