Mô phỏng thế giới thực là một vấn đề vô cùng phức tạp nếu bạn muốn thực hiện ở mức độ chính xác đủ cao. Các kỹ thuật truyền thống đang giữ lại các đội thiết kế tại các công ty sản xuất xe cộ và hàng không không ngừng phát triển, nhưng BeyondMath đang áp dụng trí tuệ nhân tạo vào nhiệm vụ này với một cách mới mô phỏng thế giới có thể tiết kiệm cho họ hàng ngày hoặc thậm chí hàng tuần đợi chờ.
“Khác với ngôn ngữ, nơi chúng ta không có mô hình toán học để mô tả từ tiếp theo nên, khi đến với vật lý, chúng ta có những mô hình đó. Và điều chúng tôi thấy là machine learning thực sự khá tốt trong việc tính toán, không chỉ là nhận diện mẫu,” co-founder Darren Garvey nói.
Lĩnh vực mà BeyondMath đang bước đầu là gọi là động lực học của lớp tính toán (CFD), và đã có từ khi công nghệ tính toán ra đời. Các phương trình điều chỉnh cách một đối tượng di chuyển qua không khí hoặc nước, hoặc không khí xung quanh một đối tượng, rất phức tạp. Vì vậy, trong khi chúng ta liên tục nâng cao khả năng dự đoán, ví dụ, cách không khí chảy qua một cánh đòn, chúng ta vẫn chưa hoàn hảo — và những gì chúng ta có thể làm tốn rất nhiều công năng tính toán cho mà chỉ giới hạn cho siêu máy tính và các cụm GPU.
Kết quả là quá trình thiết kế trong các ngành như ô tô, máy bay và thuyền trải qua nhiều thời gian chờ đợi.
"Đối với một nhà thiết kế, họ đặt nhiều suy nghĩ vào việc điều gì có thể hoạt động, sau đó họ chạy một mô phỏng. Sau đó họ đến vào sáng hôm sau và họ có kết quả. Hoặc nó đã làm việc như mong muốn hoặc không, và họ phải đi qua vòng lặp này một vài lần nữa. Sau đó bạn mang nó đến phòng thí nghiệm gió," Garvey nói — và phòng thí nghiệm gió có thể không đồng ý với mô phỏng, vì vậy quay trở lại ý tưởng ban đầu.
Mục tiêu của BeyondMath là tăng tốc độ thiết kế kỹ thuật số, điều này có nghĩa là rút ngắn thời gian chờ đợi giữa việc có ý tưởng và biết xem nó có khả năng hoạt động hay không.
“Họ đang nói rằng, nếu tôi thay đổi thiết kế này, liệu nó có giúp chiếc xe của tôi tiết kiệm nhiên liệu hơn không? Hãy tưởng tượng bạn có sáu tháng để thiết kế một phần cho một chiếc máy bay. Do một mô phỏng mất quá lâu, bạn có thể thử nghiệm 20 lần để thử các ý tưởng. Nhưng nếu một nhà thiết kế nghĩ ra một ý tưởng và nhận được kết quả trong vài giây hoặc vài phút, trong cùng sáu tháng đó bạn có thể chạy hàng triệu thay đổi,” Garvey nói.
Và ngày càng có vẻ machine learning, so với chỉ là thêm nhiều GPU chạy các phương trình cũ, là cách để làm điều đó. Sản phẩm đầu tiên của họ là một “địa hình số” cung cấp mô phỏng gần thời gian thực về dòng khí qua một bề mặt phức tạp ở mức độ chính xác mà thông thường sẽ mất hàng trăm lần lâu hơn.
Chúng ta đã thấy điều tương tự trong văn bản khoa học, nơi một mô hình của hệ thống thời tiết có thể được xấp xỉ hiệu quả trong một phần của thời gian, sử dụng mô hình machine learning được huấn luyện trên hàng ngàn giờ mô phỏng và mẫu quan sát. Nhưng BeyondMath không có lợi thế từ một bộ dữ liệu huấn luyện trước đó.
"Không có nhiều dữ liệu mô phỏng ngoại kia — chúng ta không có toàn bộ internet để huấn luyện như LLM. Vậy làm sao bạn có điều gì đó tương đương với những gì nhà thiết kế đang sử dụng, hoạt động trên những hình dạng rất phức tạp này, như một startup?"
Một cách bất ngờ, câu trả lời mà họ tìm thấy không phải là dựa vào mô phỏng, mà là có một mô hình hiểu về lý thuyết đứng sau một thứ như một phòng thí nghiệm gió, cũng như thực tế quan sát của lý thuyết đó.
"Chúng tôi không cố gắng xấp xỉ các mô phỏng, chúng tôi đang cố gắng xấp xỉ thế giới thực,” Garvey nói. “Và bạn phải đem dữ liệu thực tế vào để làm điều đó.”
Khi mô hình hiểu được cách mà hệ thống hoạt động, nó cũng có thể đóng vai trò chủ động trong thiết kế, một khả năng mà nhiều kỹ sư đã bắt đầu khám phá trong các lĩnh vực khác. Garvey so sánh nó với hiểu hình ảnh: Ở đó, các mô hình machine learning cũng phải đi trước khi họ có thể chạy, nhưng sau khi họ thành thạo trong việc phân tích một hình ảnh, đó là bước tiếp theo dễ hiểu để chúng tạo ra.
Trong số các thị trường đầu tiên của BeyondMath là đua xe F1, nơi một số đội không được tiết lộ đang tìm hiểu sử dụng phần mềm để tăng tốc quá trình thẩm định không khí và thiết kế xe cộ của họ.
“Họ là một trong những người dùng nhiều nhất của CFD, và họ nhanh chóng, họ sẽ áp dụng công nghệ mới. Chúng tôi đã làm việc chặt chẽ với một số đội F1, tiến hành rất nhiều đánh giá và hiểu rõ các vấn đề cốt lõi của họ. Chúng tôi gần như có một nền tảng sẽ thực sự khiến chiếc xe của họ trở nên nhanh hơn,” Garvey nói.
Thực tế, anh ấy bày tỏ hy vọng (với lời cảnh báo thông thường rằng không có bảo đảm) rằng trong vòng sáu tháng “chúng tôi sẽ có khả năng chứng minh rằng khách hàng đang cảm thấy lợi ích từ những mô hình này, và họ đã ra khỏi nghiên cứu và chứng minh khái niệm thành những điều có ảnh hưởng thực sự.”
Vốn mới sẽ giúp việc đó xảy ra: BeyondMath vừa huy động một vòng gói hỗ trợ 8,5 triệu đô la lãi suất cố định với UP.Partners, với Insight Partners và InMotion Ventures tham gia.
Startup kỳ vọng sẽ gấp đôi kích thước đội ngũ và mở rộng tài nguyên tính toán của mình; họ đang mua Nvidia DGX 200s và làm việc với ông lớn chíp trên ứng dụng mới thú vị này của phần cứng máy tính cung cấp để chung nhất.
Mặc dù cộng đồng đua xe F1 cạnh tranh quyết liệt, giàu có chắc chắn là một khách hàng tốt, BeyondMath đang suy nghĩ về bước tiếp theo của mình.
“Chúng tôi đang thấy thành công nhiều trong không gian thiết kế của khách hàng, nhưng điều đó sẽ là một hành trình từ đó đến một cái gì đó có thể tổng quát hơn. Ví dụ, nếu một mô hình hiểu về ô tô, hoặc đối tượng giống ô tô, thì không nhất thiết sẽ hiểu về một máy bay, hay một mạch máu,” Garvey nói. “Nhưng đó là nhảy múa cổ điển của startup — bạn phải tìm con đường của mình đến sự hấp dẫn trước khi bạn có đủ chiếc đường băng để mở rộng. Như một tổ chức chúng tôi tập trung vào các khách hàng hạng mục hàng đầu như vậy có thể giúp khởi động công ty.”
