Учёный МАИ: «К 2030 году с помощью нейросетей мы сможем проектировать самолёты»

Тренд на использование искусственного интеллекта в решении различных задач очевиден, и он увеличивается во всём мире. В нашей стране ведущие лаборатории работают над созданием моделей и алгоритмов с использованием нейросетей, машинного обучения для решения сложных задач. Один из проектов, который реализуют в МАИ, — создание нейросетевой библиотеки для быстрых аэродинамических расчётов. Аналогов разработки на сегодняшний день в мире нет. Подробнее о проекте по использованию ИИ в авиастроительной отрасли побеседовали с Вадимом Кондаратцевым, руководителем Лаборатории искусственного интеллекта и математического моделирования института № 8 «Компьютерные науки и прикладная математика» МАИ, преподавателем, научным сотрудником кафедры 806 «Вычислительная математика и программирование».

Расскажите о Вашей лаборатории.

Мы занимаемся машинным обучением, реализуем коммерческие проекты для больших компаний или совместно с большими компаниями, работаем в рамках грантов. Много интересного создаём своими руками, причём не только научного, но и прикладного характера. Например, не так давно мы реализовали проект для Сбера: смоделировали разлив рек на территории Российской Федерации на основе исторических данных и спутниковых снимков — то есть моделировали разлив воды по 3D-рельефу.Одним из самых крупных проектов, который находится в активной стадии разработки, сегодня является создание нейросетевой библиотеки для быстрых аэродинамических расчётов. Этот проект особенно актуален, поскольку существует большой спрос от различных государственных организаций, Фонда перспективных исследований на использование искусственного интеллекта в решении сложных физических задач.

Что собой представляет этот проект?

Когда разрабатывают новый самолёт, нужно ответить на большое количество вопросов. Например, как себя будет вести крыло самолёта, если внезапно появится боковой ветер; если он окажется очень сильным, загнётся ли крыло, не сломается ли? Достаточно ли корректно инженер, который проектирует самолёт, расположил крылья на фюзеляже, надо чуть вперёд подвинуть крыло или чуть назад? Конечно, проводятся аналитические расчёты, которые помогают ответить на вопросы такого рода, но все детали вычленить попросту невозможно. И традиционный подход, существующий на сегодняшний день, подразумевает необходимость проведения натурных испытаний, построение макета, загрузки его в аэротрубу, проведение расчётов на суперкомпьютерах.

И вот, например, с тем же боковым ветром: чтобы полноценно посчитать аэродинамические показатели самолёта, необходимо использовать самый большой кластер — суперкомпьютерные мощности ядерного центра в Сарове. И только по одному аэродинамическому показателю расчёт будет вестись в течение трёх-четырёх недель. Соответственно, мы попадаем в такую ситуацию, когда, если хотим просчитать десять потенциальных вариантов, у нас просто может не хватить для этого времени. В итоге мы не знаем, выбрали мы хороший вариант или плохой, мы просто знаем, сможет ли самолёт безопасно находиться в небе при этом варианте. Конечно, хотелось бы побыстрее находить оптимальные компоновки, схемы. В результате возникла идея: заменять эти сложные дорогие расчёты, используя нейросети. Ведь одно из отличительных свойств машинного обучения — это не только то, что оно позволяет решать какие-то сложные, плохо формализуемые задачи, но и то, что уже обученные нейросети работают очень быстро, практически мгновенно, и прирост скорости всегда колоссален.

Направление, в котором мы работаем сейчас, — это мировой тренд. Использовать нейронные сети вместо суперкомпьютеров, чтобы быстро делать сложные расчёты, экономя не только время, но и мощности.

Как давно используют ИИ в авиастроении?

Мы живём в эпоху ренессанса искусственного интеллекта: начиная с 2012 года, когда зарождался этот тренд, он был связан с табличными данными, потом с картинками, потом с аудио, потом с текстами, с 2015 года появлялись 3D-модели, а с 2019 года начали появляться физические симуляции. Тренд ИИ — брать всё более и более сложные данные, с которыми можно работать.

Среди всех возможных нейросетей, которые придумывают каждый год, появилось новое направление — физически информированные нейронные сети, — которое предоставило возможность считать сложные уравнения нейронными сетями напрямую (сеть даёт аналитическое решение). У DeepMind вышла работа, которая показала, что при помощи этих нейронных сетей можно считать, как флаг на ветру колеблется и как металл гнётся, воздух обтекает крылья. И вот с 2021 года начали применять нейросети в авиастроении, а точнее — в аэродинамике.

Мы тоже взялись за эту задачу и начали искать собственные подходы. Если смотреть на аэродинамику последних лет, то количество статей на эту тему экспоненциально растёт. Количество коммерческих приложений также сильно возросло. Есть гиганты индустрии, такие как, например, Siemens, которые владеют продуктами, просчитывающими аэродинамические показатели самолётов, ветряков, машин. Есть и стартапы, которые работают в этом направлении.

Если говорить про нашу страну, то у нас есть свой программный продукт «Логос», который разработал РФЯЦ ВНИИЭФ и которым пользуются многие компании при проектировании авиационной техники.

Так получилось, что разработчики «Логоса» тоже заинтересованы во внедрении методов машинного обучения. И мы вместе с РФЯЦ ВНИИЭФ присоединились к этому мировому движению.

Почему решили заняться именно этим проектом?

Это государственный заказ. Хотя на нашей кафедре есть научный интерес: мы занимаемся математическим моделированием и машинным обучением — почему бы не объединить? Но всё началось с первого крупного госзаказа в рамках Постановления Правительства РФ от 20 апреля 2022 года № 707: делаем большой проект под названием «Логос Отделение». МАИ разрабатывает многие продукты — программную оболочку, интегрирует отечественное ПО. И нашей лаборатории была поставлена задача, связанная с внедрением экспериментального блока на основе машинного обучения для ускорения вычислений. В рамках этого эксперимента мы и начали свою разработку.

И сегодня это уже не только этот проект, но и большие гранты от различных государственных фондов.

На каком этапе проект сегодня?

Сейчас у нас идёт тестирование на базе МАИ на основе тех данных, которые предоставили наши технические соисполнители (АО «Компания „Сухой“», МКБ «Вымпел» имени И. И. Торопова). Первая версия библиотеки предполагает, что у нас есть несколько нейросетей, которые умеют работать для трёхмерного случая, сложной геометрии (настоящего самолёта со всеми деталями), умеют предсказывать скорость и давление окружающего пространства. Есть несколько удачных версий, которые мы планируем развивать в будущем и доводить до совершенства. Что касается точности, мы стараемся попасть в 30 %. И хоть, возможно, это звучит не очень впечатляюще, мы предсказываем не одну силу, а целое поле, и это неплохой показатель.

Если проанализировать открытые данные, во всём мире вычисления работают в плоскости, но не в пространстве. А если есть информация, что что-то работает в пространстве, при попытках воспроизведения модели мы сталкиваемся с нерабочим вариантом. Сейчас весь мир находится на стадии, когда есть отдельные научные публикации, но для реального применения крайне мало проектов (и информация о них находится в полной секретности).

Мы переработали весь мировой опыт и подобрали именно тот вариант, который работает, и теперь можем его развивать.

Что будет финальным продуктом? К чему стремитесь, какие этапы предстоят?

Есть два критерия — скорость работы и точность работы. Первоначально вся идея нейросетей заключается в том, чтобы тысячекратно ускориться, но потерять в точности не более 10 %. Мы сможем качественно быстро перебирать варианты, а там, где нужно точнее, использовать суперкомпьютер. Сейчас мы тысячекратно ускорились, но в диапазон точности не попадаем. Наша первая цель — увеличить точность работы нейросети. Вторая — модифицировать текущий подход так, чтобы не только в рамках отдельного аэродинамического расчёта мы укладывались в точность и скорость, но и делали это в процессе решения комплексной задачи (связанный расчёт).

Ведь задачи, которые решаются при проектировании авиатехники, комплексные, они заключаются не только в аэродинамических расчётах, но и учитывают прочность, тепло, динамику полёта, систему управления и т. д. В одну секунду всё должно моделироваться вместе. В данном проекте мы пытаемся включиться в общий контур всех задач.

Существуют ли аналоги данной системы?

В мире есть два стартапа, которые делают что-то похожее. Мы анализировали их результат и заметили особенность: они считают процессы отдельно (например, аэродинамику машин), а не комплексно. Мы стремимся к системному решению.

Когда Вы предполагаете реализовать проект?

Мы планируем завершить проект к 2026 году.

Кто работает в Вашей команде?

Студенты, бакалавры, магистранты, аспиранты. Специалисты, которые занимаются разработкой и тестированием новых нейронных сетей. Группа классических айтишников, кто внедряет в наши нейросети какую-то собственную оболочку или оболочку заказчика. Есть консультанты, учёные, которые много лет занимаются газовой динамикой. Больше внимание уделяем 3D-моделированию, так как внутри задач есть много работы с геометрией и визуализацией.

ИИ, нейросети — это то, о чём все говорят. Как Вы считаете, нужно ли ограничивать законодательно его использование, в том числе в промышленном секторе?

Если говорить об опасностях использования ИИ, то, конечно, они есть. И в первую очередь, это слабая интерпретируемость результатов. Нейросеть не может рассказать, почему она сделала тот или иной выбор. Кстати, у нас есть направление, в рамках которого мы пытаемся усилить интерпретируемость наших моделей. И при внедрении методов ИИ в промышленность есть сложная процедура сертификации. Сейчас пишутся новые ГОСТы в авиации, предусматривающие то, какие мы должны провести тесты, гарантирующие, что нашу нейросеть в том или ином виде можно внедрять и что она не навредит. Потому к использованию ИИ, конечно, надо подходить с большим вниманием.

И я надеюсь, что, пройдя все сложные процедуры, этапы развития, к 2030 году с помощью нейросетей мы сможем проектировать самолёты.