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:
- Bruke maskinlæring for å få fysisk kunnskap om systemene.
- Bruke fysisk kunnskap for å få maskinlæringsmodeller som er åpne, pålitelige, robuste og fleksible.
En grunnleggende innovasjon i vår tilnærming er utnyttelsen av de antatt underliggende strukturene i systemet, slik som symmetri eller bevaring av energi. Derved bygger vi videre på det etablerte feltet kalt geometrisk numerisk integrasjon, som er studium 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 geometrisk numerisk integrasjon og fysikkbasert maskinlæring. Partnerskap med Elkem, som produserer silisiumrelaterte materialer, og Veas, som gjør vannrensing, skal sikre industriell relevans. Det vil jobbes på bruker-caser for utvikling og testing av algoritmer innenfor områdene prediktivt vedlikehold, kontrollteori og prosessoptimalisering.
