隨著科技複雜度逐漸增加，工程師開始尋求新方法來開發更有效的AI模型，本文將探索AI與模擬的結合如何幫助工程師解決時間、模型可靠度、資料品質等諸多挑戰。

隨著現今科技複雜度的增加，人工智慧（artificial intelligence；AI）的能力和涉及範圍也不斷在擴大。因此，工程師在被交付任務要將AI整合於系統之中時將面臨新的挑戰。這些複雜性的一部分，源自於使用在模型訓練的資料幾乎可決定AI模型效果的認知?如果資料不足、不夠精確、或者存在偏差，模型的計算結果就會受到影響。

以較高的層級來說，AI與模擬有三種主要的合流方法。

一、與解決資料不足的挑戰有關，因為模擬模型可以被使用來合成可能難以收集、或收集成本昂貴的資料。

二、將AI模型作為計算起來複雜且昂貴的高度逼真模擬的近似值，也被稱為降階建模（reduced-order modelling）。

三、在如控制、訊號處理、嵌入式視覺等應用的嵌入式系統上使用AI模型，模擬已成為這類系統設計流程當中關鍵的一環。

工程師開始找到新的方法來開發更有效的AI模型，本文將探索模擬與AI的結合可如何幫助工程師解決時間、模型可靠度、資料品質等挑戰。

挑戰1 使用於訓練和檢驗AI模型的資料

收集真實世界資料和建立良好、乾淨且經過分類的資料的過程相當艱難，還需要耗費大量時間。工程師也必須留意大部分AI模型屬於靜態的事實（模型是使用固定的參數值來執行），雖然模型持續地暴露在新的資料下，但這些資料卻不見得會被納入訓練資料集之中。

如果沒有健全的資料來協助訓練模型，專案失敗的可能性便提高，因此資料準備成為AI工作流程中一項至關重要的步驟。「不好的」資料可能讓工程師花費好幾個小時嘗試找出模型未正常運作的原因，而且還不保證能夠得到具有實質意義的結果。

模擬可以協助工程師克服這些挑戰。在最近幾年，以資料為中心的AI將AI社群的焦點轉向訓練資料的重要性。與其將一項專案全部的時間投注在煩惱AI模型的架構和參數，證據顯示把時間花在改善訓練資料，通常可以為模型精確度帶來更大的改善。

使用模擬來擴充現有的訓練資料有許多好處，包括：

 計算模擬通常比物理實驗的成本降低許多

 工程師對於環境能夠完全的掌控，並且可以模擬在現實世界中難以建立或太危險的場景

 模擬提供了一條途徑來窺探難以透過設置實驗來測量的內部狀態，這在為AI模型特定情況下的表現不佳進行除錯時有很大的用處

當模型的表現高度取決於訓練資料的品質，工程師可以透過幾種流程迭代來改善結果，包含模擬資料、更新AI模型、觀察在哪一些條件下模型預測結果不佳，並且為那些條件收集更多模擬資料等。

透過Simulink和Simscape等商用工具，工程師可以產生反映了真實世界情境的模擬資料。Simulink 和 MATLAB 的結合，使得工程師能夠以和進行AI模型建立的相同環境來模擬他們的資料，這代表他們可以將更多的流程自動化，而不必擔心工具鏈的切換。

挑戰2 透過AI取得複雜系統的近似值

在設計像是控制液壓閥的演算法等需與實體物理系統互動的演算法時，以模擬為基礎的系統模型是促成演算法的快速設計迭代的要件。

在控制領域，這類通稱為「受控體模型（plant model）」的模型，在無線領域可能被稱作「通道模型」，在強化學習（reinforcement learning）領域被稱為「環境模型」。不論是哪一種稱呼，其中的概念是共通的：建立一個以模擬為基礎的模型，它可以提供必要的精確性，再次建立和演算法互動的物理系統。

這種方法有一個難題，就是要達到工程師一直以來依據第一原理建立的高度逼真模型的「必要的精確性」。若是在複雜的系統，可能會需要花費相當可觀的時間，來建立和模擬以達到如此的精確性。執行冗長的模擬，也有可能會壓縮到設計迭代的次數，意味著沒有充裕的時間來評估其他或許更合適的設計替代方案。

AI在此時出現了，工程師可以採用他們已經建立好的高度逼真物理系統模型，並且透過AI模型（一個降階模型）來取得近似值。在其他的情況，他們可能只需要從實驗資料訓練AI模型，完全略過建立以物理為基礎的模型。

這麼做的好處是，降階模型計算起來比第一原理模型經濟許多，代表工程師可以執行更多的設計空間探索。而且若是真的已經有現成的以物理為基礎的模型，工程師還可以在流程的後期隨時使用該模型來檢驗以AI模型進行判定的設計。

比如神經微分方程（Neural Ordinary Differential Equations）等近期AI領域的進展，即結合了AI訓練技巧與嵌入了以物理原理為基礎的模型。當工程師希望保留物理系統的特定部分，又希望以更接近資料中心的方法所取得的近似值，來組成系統的其餘部分時，這類模型就可以給予很大的幫助。

挑戰3 AI於演算法開發

開發如控制系統等應用的工程師在設計演算法時，對於模擬的依賴程度越來越高。有許多情況下，這些工程師開發虛擬的感測器、以及試圖計算無法直接透過感測器量測來取得數值的觀測器。使用的方法有好幾種，包含線性模型（linear models）和卡爾曼濾波器（Kalman filters）。

但是這些方法在真實世界系統捕捉非線性行為的能力展現相當有限，工程師因此轉而採取以AI為基礎的方法，以更靈活地建立這些複雜的模型。他們使用測量或模擬而來的資料，訓練一個能夠從已觀測到的狀態預測尚未觀察到的狀態的AI模型，然後再將該AI模型與系統整合。

在這個案例，AI模型屬於控制演算法的一部分，之後會被放在實際硬體上執行。這個硬體的性能/記憶體可能有某種程度的限制，通常需要使用 C/C++ 等較低階的語言來進行編程。這些要求可能會限制某些應用所適合的機器學習模型種類時的選擇，因此工程師可能需要嘗試多種模型，並且比較準確度和實際運行在裝置上的表現來做權衡。

在這項領域研究的最前端，可透過強化學習使這種方式再更進一步。強化學習所學習的不只是估計器，而是學習整個控制策略。在像是機器人和自主系統等一些具有挑戰性的應用中，強化學習是一項已被證明認可的強大技術，但建立這樣的模型需要有一個精確的環境模型，這類的環境模型、以及運行大量模擬的計算能力，可能並不容易從現有資源取得。

除了虛擬的感測器和強化學習，AI演算法使用在嵌入式視覺、音訊和訊號處理、以及無線通訊應用的情況也愈來愈多。舉例來說，在配備自動駕駛功能的車輛中，AI演算法可以偵測路面上的車道標線來幫助車子維持在車道中間位置。

在助聽裝置，AI演算法可以協助加強說話聲音並且抑制雜訊。在無線通訊應用，AI演算法可以運用數位預失真（digital predistortion）來抵銷功率放大器的非線性效應。在這所有的應用，AI演算法只擔當了大型系統之中的一部分。模擬會被使用在整合測試來確保整體設計符合標準。

將AI帶入模擬的未來

一般來說，當增加了模型規模和複雜性來因應更複雜的應用，AI與模擬將成為工程 師口袋中更不可或缺的工具。使用如Simulink和MATLAB等商用工具，可賦予工程師優化其工作流程的能力，並且透過與產生合成資料、降階建模等技巧來縮短他們的開發時間，並且將AI演算法嵌入到控制、訊號處理、嵌入式視覺、無線通訊等應用。

這些方法具備了強大能力，在硬體階段之前，就透過精確且可負擔的方式來開發、測試和檢驗模型，因此，使用需求將會再持續增長。

（本文由鈦思科技提供；作者Seth DeLand為MathWorks 數據分析產品行銷經理）