几十年来，数字技术已经悄然改变了工程设计领域。 三维数字模型已经取代了图纸，仿真软件的发展使工程师能够用更快、更便宜的虚拟测试取代许多物理测试。 工程公司已投资数亿美元来使这些计算和数据密集型解决方案更加高效。
随着计算机变得越来越强大，工程团队已经能够开发出更加详细的数字模型，以复制更多产品的特性和预期行为。 如今，数字孪生正在改变从工业机器到医疗设备等众多领域的产品设计、操作和维护方式。
数字化还使工程师能够让计算机在工程过程中发挥更积极的作用。 生成设计和相关优化方法的工作原理是对计算机进行编程以运行数百或数千次模拟，在每次运行之间调整设计，直到找到最佳解决方案。 由此产生的几何形状可以超越最有经验的人类设计师的工作。
尚未达到最佳状态
尽管数字设计优化具有明显的潜力，但它也有一些明显的局限性。 模拟结构或流体流动的性能依赖于计算密集型的微分方程求解器，因此设计优化只能集中于几个同时出现的参数。 因此，当今的系统仅探索设计空间的一小部分，并且往往仅提供渐进式改进。
出于同样的原因，公司仍然严重依赖人体工程专业知识来为其项目选择和优化正确的参数。 当人才稀缺时，这会很困难，并且会增加人为偏见导致设计不理想的风险。 更糟糕的是，仿真系统变得如此复杂，以至于公司越来越依赖外部提供商来运行仿真，从而侵蚀了内部知识和能力。
在竞争优势取决于速度和创新的世界中，传统的模拟方法可能不再足够。 工程公司可能需要以不同的方式思考他们的设计优化方法以及实现优化所使用的技术。
更快的路线
如今，一些领先的公司正在探索一种替代方案，有望提高自动化设计优化的速度和有效性，并有可能将其应用扩展到更大、更复杂的工程问题。 这种新方法基于人工智能模型，这些模型是许多其他困难计算问题的关键，从图像识别到掌握围棋游戏。 我们将这些模型称为深度学习代理（DLS）。
DLS 技术降低了计算复杂性并显着提高了速度，深度学习模型的运行速度比传统物理模拟快几个数量级。 这反过来又转化为组织的许多竞争优势。 它通过减少工程流程时间来缩短上市时间。 它还通过降低所需工程工作的复杂性和强度来降低成本。 深度学习模拟还允许公司探索更广泛的产品设计参数，发现专家工程师未知的新优化，并产生更好的产品性能。
DLS 解释
从一开始，DLS 流程看起来很像其他数字设计优化方法。 工程团队定义产品的约束条件和所需的性能特征，计算机对不同的设计选项运行多个传统模拟。 然而，这就是方法的分歧之处。
当这些初始模拟运行时，它们被用来训练神经网络，该神经网络被设置为采用相同的输入并尝试复制模拟系统的输出。 训练完成后，这种深度学习模型将像传统模拟一样工作，但速度要快得多。 在现实项目中，深度学习仿真模型的运行速度比传统模型快几个数量级。
这种速度的提高改变了游戏规则。 使用 DLS，机器可以探索比传统仿真更多的设计空间，帮助它找到最佳的解决方案。 通过更广泛的人工智能研究社区的工作得出的高级搜索算法，可以进一步提高此过程的效率。 超高速还意味着复杂性不再是障碍：工程团队可以处理更大、更复杂的组件和系统，并跨多个领域同时优化。
然而，在产品开发中使用深度学习对于超越其技术选择的公司具有重要意义。 这将要求工程部门调整其组织并以新的方式分配资源。 这可能包括收购新人才，尤其是数据科学家、数据工程师和机器学习专家，以及获取内部或云端的新计算资源。
现实世界中的 DLS
深度学习替代品已经在一些众所周知的具有挑战性的工程环境中证明了自己的价值。 例如，一家发电行业的公司使用该方法来优化水力发电厂大型涡轮机的设计。 这些机器必须针对每次安装的具体操作条件进行单独配置，这一过程可能需要数千个工程时间和长达一年的时间才能完成。
在一个试点项目中，该公司的工程团队与外部专家合作创建了一个深度学习模型，可以模拟涡轮机中四个主要部件的性能。 该模型的设计接受所需的工作点作为输入，并考虑许多不同的约束，从每个部件可接受的质量和强度到空化或压力脉动等流体流动问题。
项目合作伙伴花了六个月的时间开发模型，但它对设计过程的影响是直接而深远的。 使用 DLS，该公司将创建新涡轮机设计所需的工程时间减少了 50%，并将端到端设计流程缩短了四分之一。 更好的是，该方法产生的涡轮机效率比传统设计高出 0.4 个百分点。 对于一座典型的水力发电大坝来说，这将意味着每年额外产生 13.5 吉瓦时 (GWh) 的能源，足以满足三千多个家庭的需求。
在风能领域，另一家主要参与者已应用该方法来优化大型风力涡轮机的控制算法。 在强风中，这些涡轮机必须调整其输出，甚至完全关闭，以防止损坏。 但这些控制决策对运营商具有重大影响：过于保守，涡轮机会错过产生宝贵电力的机会； 过于激进，可靠性可能会受到影响。
该公司已经在使用传统的模拟技术来为每个涡轮机开发特定于现场的控制规则。 然而，这些模拟既耗时又昂贵，需要八个小时或更长时间才能评估单个地点的单个涡轮机配置。 用深度学习模型替换模拟系统将时间缩短到不到一秒。 借助新系统，该公司现在可以帮助客户优化新风电场项目的设计，评估更多涡轮机配置和场地布局，以找到最佳解决方案。 DLS 系统还显着提高了总产量。 该公司的数据表明，在本十年余下的时间里，仅将其方法应用于欧洲计划风能投资的 10% 即可将年发电量增加超过 210 GWh，足以为 50,000 多个家庭供电。
未来很深
深度学习在产品开发中的应用才刚刚开始。 在早期试点取得成功之后，领先的公司现在正在将 DLS 构建到其多个产品类别的标准工程流程中。 除了将该方法扩展到更多行业和问题领域之外，研究人员还致力于以全新的方式将该方法集成到设计过程中。 一种可能的方法是完全放弃传统的模拟。 相反，研究人员提出，可以使用该领域现有产品的真实数据来训练深度学习模型。 这可以改变公司改进产品的方式，通过设计和优化工具自动学习前几代产品的性能。
