Flertallet av norske næringer er fortsatt et stykke unna å kunne ta i bruk kunstig intelligens og maskinlæringsmetoder i sin daglige drift. En av de største barrierene er mangelen på robusthet og pålitelighet av eksisterende metoder, spesielt når de brukes på fysiske prosesser. PhysML vil bidra til å løse denne utfordringen ved å kombinere maskinlæringsmodeller med de geometriske egenskapene til matematiske modeller i et hybrid analytisk rammeverk. Denne kombinasjonen vil utnytte metodenes komplementære styrker.
Industrielle data stammer ofte fra sensorer eller manuelle målinger som kan være av lav kvalitet eller kvantitet, noe som hindrer rene datadrevne tilnærminger. Imidlertid beskriver industrielle data ofte fysiske prosesser som er styrt av naturlovene og dermed kan modelleres. Når slike modeller eksisterer, er de basert på første prinsipper, noe som gjør dem pålitelige, men de mangler fleksibiliteten til datadrevne tilnærminger. PhysML vil jobbe mot to mål: i) Bruke maskinlæring for å få fysisk kunnskap om systemene, og ii) bruke fysisk kunnskap for å få maskinlæringsmodeller som er åpne, pålitelige, robuste og fleksible.
En grunnleggende innovasjon i vår tilnærming er utnyttelsen av de antatte underliggende strukturene i systemet, slik som symmetri eller bevaring av energi. Derved bygger vi videre på det etablerte feltet kalt numerisk geometrisk integrasjon, som er studiet av hvordan man kan inkorporere slike strukturer i matematiske modeller. De nasjonale og internasjonale akademiske partnerne (NTNU, Brown University) er blant verdens fremste eksperter på henholdsvis numerisk geometrisk integrasjon og fysikkinformert maskinlæring. Partnerskap med Elkem og Veas skal sikre industriell relevans gjennom bruker-caser for utvikling og testing av algoritmer innenfor områdene prediktivt vedlikehold, kontrollteori og prosessoptimalisering.
I det første året av prosjektet har nye metoder blitt utviklet og testet på simulerte testproblemer. Resultatene er blitt delt gjennom vitenskaplige artikler, åpen kildekode og foredrag på workshops og konferanser, i Norge og i utlandet. Det neste planlagte skrittet videre er å videreutvikle disse metodene og anvende dem på data fra den virkelige verden og bruksområder fra industripartnerne.
En workshop med deltakere fra USA, Japan og Europa ble arrangert i Oslo i mai 2024. Deltakerne var inviterte foredragsholdere fra akademia, påmeldte PhD-stipendiater og forskere som også presenterte sitt arbeid, samt industribedrifter som presenterte både spesifikke bruksområder og utfordringene de står overfor. På workshopen og i månedene som fulgte, ble nye samarbeid etablert mellom deltakerne, både fra Norge og utlandet.
The majority of Norwegian industries are still a long way from being able to adopt AI and machine learning methods in their daily operations. One of the main barriers is the lack of robustness and trustworthiness of existing methods, particularly when applied to physical processes. PhysML will contribute to solving this challenge by combining machine learning models with the geometric properties of mathematical models in a hybrid analytics framework that alleviates the weaknesses of both individual approaches by leveraging their complementary strengths.
Industrial data often originates from sensors or manual measurements that can suffer from low quality or quantity, hindering pure data-driven approaches. However, industrial data frequently describes physical processes which are governed by the laws of nature and can thus be modelled. When such models exist, they are based on first principles, making them trustworthy but lacking the flexibility of data-driven approaches. PhysML will work towards two goals: i) Use machine learning to gain physical knowledge about the systems, and ii) use physical knowledge to obtain machine learning models that are open, trustable, robust, and flexible. A fundamental innovation in our approach is to utilize the assumed underlying structures of the system, such as symmetry or preservation of energy, and thus build on the established field called numerical geometric integration, which is the study of how to incorporate such structures in mathematical models. The national and international academic partners are among the world’s foremost experts in numerical geometric integration and physics-informed machine learning, respectively. Partnership with Elkem and Veas will ensure industrial relevance by providing use cases for development and testing of algorithms within the areas of predictive maintenance, control and process optimization.