هوش مصنوعی جدید MIT سازه‌های مهندسی را با کمک انسان مقاوم‌تر طراحی می‌کند
پژوهشگران مؤسسه فناوری ماساچوست روز جمعه ۱۳ نوامبر ۲۰۲۶ از روشی تازه برای طراحی سازه‌های مهندسی خبر دادند که در آن هوش مصنوعی و انسان به‌جای کارکردن به‌صورت جداگانه، در جریان طراحی با یکدیگر همکاری می‌کنند. این فناوری می‌تواند به مهندسان کمک کند سازه‌هایی مانند بخش‌های تشکیل‌دهنده پل‌ها، ساختمان‌ها و قطعات صنعتی را با کارایی بهتر و قابلیت ساخت بالاتر طراحی کنند.
در سال‌های اخیر، الگوریتم‌های پیشرفته توانسته‌اند قطعاتی طراحی کنند که در مقایسه با نمونه‌های متعارف، سبک‌تر هستند یا در شرایط مشخص عملکرد مکانیکی بهتری دارند. از هواپیماهای فوق‌سبک گرفته تا تجهیزات مسابقات اتومبیل‌رانی و آنتن‌های مخابراتی، روش‌های طراحی محاسباتی در صنایع مختلف مورد توجه قرار گرفته‌اند. اما یک مشکل اساسی همچنان باقی مانده است: طرحی که از نظر ریاضی بهینه به نظر می‌رسد، الزاماً ساده‌ترین یا بهترین گزینه برای ساخت و استفاده واقعی نیست.
گروهی از محققان MIT برای برطرف‌کردن این مشکل، سامانه‌ای توسعه داده‌اند که در میانه فرایند طراحی به مهندس اجازه دخالت می‌دهد. الگوریتم هنگام شکل‌دادن به ساختار، نواحی مشخصی را برای بررسی پیشنهاد می‌کند و کاربر می‌تواند درباره تغییر ضخامت یا شکل‌گیری آن قسمت‌ها نظر بدهد.
به گفته پژوهشگران، این روش در آزمایش‌های انجام‌شده به بهبود ۳۹ درصدی بار کمانش خطی در مقایسه با روش مبنای مورد بررسی منجر شده است. در عین حال، افزایش زمان طراحی در این آزمایش‌ها تنها حدود ۱۵ ثانیه بوده است.
این نتایج در پژوهشی با عنوان «AI-Guided Human-In-the-Loop Inverse Design of High Performance Engineering Structures» بررسی شده‌اند و MIT در ۱۳ نوامبر خبر عمومی مربوط به آن را منتشر کرده است.
البته این فناوری هنوز یک ابزار عمومی تأییدشده برای طراحی ساختمان یا پل واقعی نیست. نتایج منتشرشده مربوط به شرایط آزمایش پژوهشی هستند و برای استفاده در پروژه‌های عمرانی به بررسی‌های فنی و ایمنی بیشتری نیاز خواهد بود.
مشکل بزرگ طراحی سازه با الگوریتم‌های کامپیوتری چیست؟
مهندسان سازه معمولاً هنگام طراحی با مجموعه‌ای از محدودیت‌های هم‌زمان روبه‌رو هستند. یک پل باید بتواند وزن خود، بار خودروها و نیروهای محیطی را تحمل کند. در عین حال، ساخت آن باید از نظر هزینه، دسترسی به مواد اولیه، روش مونتاژ و نگهداری قابل توجیه باشد.
برای دستیابی به این اهداف، نرم‌افزارهای مهندسی از روش‌های مختلف تحلیل و بهینه‌سازی استفاده می‌کنند. یکی از پیشرفته‌ترین روش‌ها، بهینه‌سازی توپولوژی است.
در این روش، طراح ابتدا فضای مجاز برای ساخت قطعه، بارهای واردشده، تکیه‌گاه‌ها و محدودیت‌های موردنظر را تعیین می‌کند. سپس الگوریتم با انجام محاسبات تکراری تلاش می‌کند ماده را در قسمت‌هایی قرار دهد که بیشترین نقش را در عملکرد سازه دارند.
نتیجه گاهی ساختاری است که از نظر ظاهری با طرح‌های سنتی تفاوت زیادی دارد. ممکن است بخشی از ماده حذف شود، مسیر انتقال نیرو تغییر کند یا اعضای سازه به شکل شبکه‌هایی پیچیده در کنار یکدیگر قرار بگیرند.
این طرح‌ها می‌توانند از نظر محاسباتی بسیار کارآمد باشند، اما ساخت آن‌ها همیشه آسان نیست.
برای مثال، فرض کنید الگوریتم به نتیجه برسد که هشت عضو فلزی باید در یک نقطه به یکدیگر متصل شوند. از دید محاسباتی چنین طرحی ممکن است عملکرد مطلوبی داشته باشد، اما اجرای اتصال هشت عضو در یک گره می‌تواند به عملیات جوشکاری پیچیده، قطعات اتصال اختصاصی و کنترل کیفیت دشوار نیاز داشته باشد.
اگر مهندس در پایان فرایند متوجه چنین مشکلی شود، شاید ناچار باشد محدودیت‌های مسئله را تغییر دهد و بخش بزرگی از محاسبات را دوباره انجام دهد.
به همین دلیل، بهترین جواب ریاضی همیشه بهترین اجرایی نیست.
چرا مهندسان همیشه به طرح‌های تولیدشده توسط کامپیوتر اعتماد نمی‌کنند؟
در مهندسی سازه، اعتماد به یک طرح صرفاً به ظاهر مناسب یا نتیجه یک شبیه‌سازی محدود نمی‌شود. طراح مسئول باید بتواند رفتار سازه را توضیح دهد و مطمئن شود محدودیت‌های لازم در محاسبات رعایت شده‌اند.
بسیاری از نرم‌افزارهای بهینه‌سازی به کاربر اجازه می‌دهند پارامترهای اولیه را تعیین کند، اما کنترل او بر روند شکل‌گیری طرح محدود است.
مهندس ممکن است ساعت‌ها منتظر پایان محاسبات بماند و در نهایت با ساختاری مواجه شود که اگرچه معیارهای تعیین‌شده را برآورده می‌کند، با تجربه عملی او سازگار نیست.
دات ها، نویسنده اصلی پژوهش MIT که دوره دکتری خود را در این دانشگاه به پایان رسانده، توضیح داده است که ماهیت نسبتاً بسته این فرایند یکی از دلایل استقبال محدودتر از بهینه‌سازی توپولوژی در بعضی حوزه‌های صنعت ساختمان است.
در صنایع خودروسازی و هوافضا، استفاده از طراحی محاسباتی پیشرفته سابقه بیشتری دارد. اما مهندسی ساختمان و پل با محدودیت‌های متفاوتی روبه‌روست.
سازه‌های عمرانی باید سال‌ها یا دهه‌ها تحت بارهای مختلف کار کنند و اتصالات آن‌ها با روش‌های ساختمانی مشخص اجرا شوند. دسترسی برای تعمیر و بازرسی نیز اهمیت زیادی دارد.
در چنین شرایطی، مهندس نمی‌تواند صرفاً به این دلیل که یک الگوریتم طرحی را بهینه تشخیص داده، آن را بدون بررسی بیشتر بپذیرد.
پژوهشگران MIT تلاش کرده‌اند با واردکردن قضاوت انسانی به فرایند محاسبات، این فاصله میان عملکرد عددی و تجربه مهندسی را کمتر کنند.
دستیار هوش مصنوعی MIT دقیقاً چگونه کار می‌کند؟
سامانه جدید برخلاف یک نرم‌افزار معمولی که تنها نتیجه نهایی را نمایش می‌دهد، در هنگام اجرای فرایند بهینه‌سازی با کاربر ارتباط برقرار می‌کند.
در این روش، الگوریتم مشغول ایجاد ساختار است و هم‌زمان یک مدل یادگیری ماشین قسمت‌هایی از طرح را شناسایی می‌کند که احتمال دارد به نظر مهندس نیاز داشته باشند.
کاربر می‌تواند در همان مرحله درباره تغییر بخش‌های مشخصی از سازه تصمیم بگیرد.
برای مثال، اگر یک عضو بیش از اندازه باریک به نظر برسد یا اتصال آن به اعضای دیگر دشوار باشد، مهندس می‌تواند اصلاح آن ناحیه را پیشنهاد کند.
در نسخه فعلی، امکانات اصلاح عمدتاً به ضخیم‌تر یا نازک‌ترکردن نواحی تعیین‌شده محدود هستند. این نکته اهمیت دارد، زیرا سامانه هنوز یک محیط آزاد برای اعمال هر نوع تغییر هندسی یا طراحی کامل سازه نیست.
پس از دریافت بازخورد، فرایند بهینه‌سازی ادامه پیدا می‌کند و نتیجه اصلاحات در طراحی وارد می‌شود.
مزیت اصلی آن است که مهندس برای بیان یک ایراد یا ترجیح اجرایی مجبور نیست تا پایان کل محاسبات منتظر بماند.
به این ترتیب، همکاری انسان و الگوریتم در طول طراحی اتفاق می‌افتد، نه فقط در مرحله بررسی نهایی.
پژوهشگران این رویکرد را به حضور یک دستیار در کنار طراح تشبیه می‌کنند؛ دستیاری که بخش‌های نیازمند توجه را نشان می‌دهد اما تصمیم نهایی درباره اصلاح آن‌ها را به انسان واگذار می‌کند.
هوش مصنوعی از کجا می‌فهمد کدام قسمت سازه باید اصلاح شود؟
یکی از بخش‌های مهم پژوهش، روشی است که برای آموزش مدل یادگیری ماشین استفاده شده است.
پژوهشگران برای آنکه الگوریتم بتواند نقاط احتمالی نیازمند اصلاح را تشخیص دهد، مجموعه‌ای از داده‌های آموزشی ایجاد کردند.
این داده‌ها شامل هزاران طرح و نمونه‌هایی از بازخورد احتمالی انسان بودند. در طراحی این بازخوردهای مصنوعی، معیارهایی مانند ظاهر هندسی، عملکرد مکانیکی و امکان ساخت مورد توجه قرار گرفتند.
مدل با بررسی این نمونه‌ها یاد می‌گیرد در چه شرایطی احتمال دارد یک طراح نسبت به بخش مشخصی از سازه اعتراض داشته باشد یا بخواهد آن را تغییر دهد.
این روش با آنچه در بسیاری از سامانه‌های یادگیری ماشین اتفاق می‌افتد شباهت دارد. الگوریتم به‌جای آنکه تمام تصمیم‌ها را از طریق قوانین ثابت دریافت کند، الگوهایی را از داده‌های آموزشی استخراج می‌کند.
بااین‌حال، باید توجه داشت که مدل افکار واقعی مهندس را نمی‌خواند و نمی‌تواند تمام ترجیحات حرفه‌ای افراد را پیش‌بینی کند.
داده‌های استفاده‌شده برای آموزش نیز ترکیبی از بازخوردهای شبیه‌سازی‌شده و فرض‌های پژوهشی هستند. بنابراین عملکرد مدل در شرایط واقعی ممکن است به نوع سازه، تجربه کاربر و محدودیت‌های پروژه وابسته باشد.
همین موضوع یکی از زمینه‌هایی است که احتمالاً در پژوهش‌های بعدی نیاز به ارزیابی بیشتر خواهد داشت.
بهینه‌سازی توپولوژی چه تفاوتی با طراحی سنتی دارد؟
برای درک اهمیت این پژوهش، باید تفاوت میان طراحی سازه به روش متعارف و طراحی مبتنی بر بهینه‌سازی توپولوژی را شناخت.
در بسیاری از روش‌های سنتی، مهندس ابتدا شکل کلی سازه را براساس تجربه، استانداردها و محدودیت‌های پروژه می‌کند. سپس ابعاد اعضا، مصالح و اتصالات را با انجام محاسبات تعیین می‌کند.
اما در بهینه‌سازی توپولوژی، بخشی از تصمیم درباره شکل و مسیر توزیع ماده به الگوریتم سپرده می‌شود.
برای نمونه، ممکن است طراح تنها فضای مجاز، محل تکیه‌گاه و بارهای واردشده را مشخص کند. الگوریتم با بررسی حالت‌های متعدد، به ساختاری برسد که ماده در آن در مسیرهای مؤثرتر انتقال نیرو قرار گرفته است.
این روش در تولید قطعات سبک‌وزن اهمیت زیادی دارد، زیرا کاهش وزن می‌تواند در برخی صنایع به کاهش مصرف انرژی یا هزینه مواد منجر شود.
اما مزیت آن تنها سبک‌سازی نیست. هدف ممکن است افزایش سختی، بهبود پایداری یا دستیابی به رفتار مکانیکی مشخص باشد.
چالش از جایی آغاز می‌شود که الگوریتم برای بهترکردن معیار ریاضی، شکل‌هایی بسیار پیچیده پیشنهاد دهد.
پژوهش MIT تلاش می‌کند همین مسئله را اصلاح کند. به‌جای حذف تجربه مهندس از روند تصمیم‌گیری، آن را بخشی از فرایند بهینه‌سازی قرار می‌دهد.
نتیجه مورد انتظار، ایجاد تعادل بهتر میان عملکرد نظری و امکان تولید در دنیای واقعی است.
بهبود ۳۹ درصدی مقاومت در برابر کمانش چه معنایی دارد؟
مهم‌ترین عدد منتشرشده در گزارش MIT، بهبود ۳۹ درصدی بار کمانش خطی در آزمایش‌های پژوهشی است.
کمانش یکی از پدیده‌های مهم در مهندسی سازه محسوب می‌شود. یک عضو تحت فشار ممکن است پیش از آنکه ماده تشکیل‌دهنده آن به حد مقاومت نهایی خود برسد، دچار تغییر شکل جانبی و ناپایداری شود.
برای مثال، اگر یک میله فلزی بلند و باریک را از دو انتها تحت فشار قرار دهیم، ممکن است در نقطه‌ای به جای کوتاه‌شدن مستقیم، به سمت یکی از طرفین خم شود.
این رفتار در ستون‌ها، اعضای خرپایی و بسیاری از قطعات مکانیکی اهمیت دارد.
بار کمانش خطی معیاری است که در یک مدل تحلیلی مشخص برای بررسی آغاز ناپایداری به کار می‌رود.
پژوهشگران MIT گزارش کرده‌اند که در آزمایش‌های خود توانسته‌اند با استفاده از روش مشارکت انسان و هوش مصنوعی، این معیار را ۳۹ درصد بهبود دهند.
اما این عدد نباید به‌صورت افزایش ۳۹ درصدی ایمنی تمام ساختمان‌ها و پل‌ها تعبیر شود.
رفتار واقعی یک سازه به عوامل متعددی از جمله جنس مصالح، نقص‌های اولیه، کیفیت اتصالات، نوع بارگذاری و شرایط محیطی وابسته است.
همچنین تحلیل کمانش خطی با ارزیابی کامل پایداری غیرخطی یا کنترل تمام حالت‌های شکست تفاوت دارد.
بنابراین نتیجه منتشرشده یک دستاورد امیدوارکننده در شرایط بررسی‌شده است، نه تضمینی برای مقاومت بیشتر هر سازه‌ای که با این روش طراحی شود.
چرا افزایش تنها ۱۵ ثانیه در زمان طراحی اهمیت دارد؟
اضافه‌کردن انسان به یک فرایند کامپیوتری معمولاً می‌تواند زمان اجرای آن را افزایش دهد.
برای مثال، اگر الگوریتم در هر مرحله مجبور باشد منتظر بررسی مهندس بماند، مزیت سرعت محاسبات خودکار کاهش پیدا می‌کند.
در روش‌های قبلی نیز یکی از دشواری‌ها ایجاد تعادل میان امکان اعمال نظر انسان و سرعت طراحی بود.
پژوهشگران MIT تلاش کرده‌اند با کمک یادگیری ماشین، فقط بخش‌هایی از طرح را برای بررسی پیشنهاد کنند که احتمال بیشتری دارد به اصلاح نیاز داشته باشند.
در نتیجه، کاربر مجبور نیست تمام تغییرات کوچک الگوریتم را به‌صورت دستی کنترل کند.
طبق گزارش دانشگاه، زمان طراحی در آزمایش‌های انجام‌شده تنها حدود ۱۵ ثانیه بیشتر از روش کاملاً الگوریتمی بوده است.
این نتیجه نشان می‌دهد در شرایط آزمایش، افزودن بازخورد انسانی لزوماً باعث افزایش شدید زمان پردازش نشده است.
بااین‌حال، نباید این عدد را به تمام پروژه‌های مهندسی تعمیم داد.
مدت طراحی یک قطعه کوچک آزمایشگاهی با طراحی یک سازه بزرگ شهری تفاوت زیادی دارد. تعداد اجزا، پیچیدگی بارگذاری و امکانات سخت‌افزاری می‌توانند بر زمان پردازش تأثیر بگذارند.
همچنین این ۱۵ ثانیه معیار افزایش زمان در آزمایش گزارش‌شده است و به معنای آن نیست که طراحی کامل یک پل تنها ۱۵ ثانیه طول می‌کشد.
آیا فناوری جدید ساخت سازه‌ها را آسان‌تر می‌کند؟
یکی از مشکلات طراحی کاملاً الگوریتمی آن است که ممکن است نتیجه از نظر محاسباتی مطلوب، اما از نظر تولید پیچیده باشد.
برای نمونه، سازه‌ای با اتصالات بسیار متراکم شاید روی صفحه نمایش عملکرد خوبی داشته باشد، اما مونتاژ و جوشکاری آن در کارخانه دشوار شود.
همچنین بعضی طرح‌ها برای ساخت به دستگاه‌ها یا روش‌های تولیدی نیاز دارند که در همه کارگاه‌ها موجود نیستند.
پژوهشگران MIT امیدوارند بازخورد انسانی در زمان طراحی بتواند بخشی از این مشکلات را کاهش دهد.
مهندس می‌تواند براساس تجربه خود تشخیص دهد که یک عضو باید ضخیم‌تر شود یا بخشی از شکل سازه برای ساخت مناسب نیست.
وقتی این اصلاحات در میانه محاسبات اعمال شوند، الگوریتم فرصت دارد بقیه طرح را با شرایط جدید سازگار کند.
این روش ممکن است تعداد دفعات بازطراحی پس از پایان محاسبات را کاهش دهد.
اما اثبات صرفه‌جویی واقعی در هزینه ساخت به آزمایش‌های صنعتی نیاز دارد.
برای قضاوت درباره تأثیر اقتصادی باید مقدار مصالح مصرف‌شده، ساعات ساخت، کیفیت اتصالات و هزینه مونتاژ در طرح‌های مختلف مقایسه شوند.
در نتیجه، بهبود قابلیت ساخت در آزمایش‌ها را نباید به معنای کاهش قطعی هزینه هر پروژه عمرانی دانست.
کاربرد احتمالی این فناوری در پل‌سازی
پل‌ها نمونه مناسبی برای بررسی کاربرد چنین فناوری‌هایی هستند، زیرا طراحی آن‌ها به ارتباط میان وزن، سختی، پایداری و امکان اجرا وابسته است.
در یک پل خرپایی، نیروها از طریق شبکه‌ای از اعضای سازه‌ای به تکیه‌گاه‌ها منتقل می‌شوند.
محل قرارگیری اعضا، طول آن‌ها و نوع اتصال می‌تواند تأثیر زیادی بر عملکرد نهایی داشته باشد.
اگر الگوریتم بتواند آرایش مناسب‌تری برای اعضا پیشنهاد کند، ممکن است امکان استفاده مؤثرتر از مصالح فراهم شود.
اما مهندس باید مطمئن شود اتصال اعضا قابل اجراست و سازه در شرایط واقعی عملکرد مناسبی دارد.
همچنین پل باید تحت بارهای متغیر ناشی از خودروها، باد، تغییرات دما و سایر عوامل محیطی بررسی شود.
روش جدید MIT در صورت توسعه می‌تواند به مهندسان کمک کند گزینه‌های اولیه طراحی را با انعطاف بیشتری بررسی کنند.
بااین‌حال، هنوز هیچ اطلاعات تأییدشده‌ای وجود ندارد که نشان دهد یک پل واقعی با این سامانه طراحی و وارد بهره‌برداری عمومی شده است.
عکس‌های پل‌های فولادی که برای توضیح خبر استفاده می‌شوند نیز صرفاً نمونه‌هایی از فناوری سازه هستند و نباید به‌عنوان محصولات این پژوهش معرفی شوند.
آیا می‌توان از این روش در صنعت هوافضا استفاده کرد؟
صنعت هوافضا یکی از حوزه‌هایی است که از سال‌ها پیش از ابزارهای بهینه‌سازی طراحی استفاده می‌کند.
در هواپیماها و فضاپیماها، کاهش وزن می‌تواند اهمیت بسیار زیادی داشته باشد. هر کیلوگرم وزن اضافی ممکن است بر مصرف سوخت، ظرفیت محموله یا عملکرد سامانه تأثیر بگذارد.
به همین دلیل، طراحان تلاش می‌کنند قطعات را به‌گونه‌ای بسازند که ضمن حفظ مقاومت و سختی موردنیاز، ماده غیرضروری کمتری در آن‌ها وجود داشته باشد.
بهینه‌سازی توپولوژی در طراحی بعضی قطعات هوافضایی به کار گرفته شده، اما پیچیدگی شکل تولیدشده می‌تواند فرایند ساخت و بازرسی را دشوار کند.
ورود بازخورد انسانی در زمان طراحی ممکن است به مهندسان اجازه دهد این محدودیت‌ها را زودتر در نظر بگیرند.
برای مثال، طراح می‌تواند شرایط مربوط به دسترسی ابزار، روش تولید یا محدودیت‌های مونتاژ را در بخش‌هایی از طرح اصلاح کند.
بااین‌حال، پژوهش جدید MIT هنوز به معنای تأیید یک فناوری برای ساخت قطعات حیاتی هواپیما نیست.
در صنعت هوافضا، قطعات باید آزمایش‌های گسترده‌ای را پشت سر بگذارند و الزامات سخت‌گیرانه‌ای برای کیفیت، دوام و عملکرد دارند.
بنابراین کاربرد صنعتی این روش به توسعه بیشتر نرم‌افزار و اعتبارسنجی نتایج نیاز خواهد داشت.
تفاوت دستیار MIT با هوش مصنوعی مولد چیست؟
وقتی از هوش مصنوعی در طراحی صحبت می‌شود، بسیاری از افراد به ابزارهایی فکر می‌کنند که با دریافت یک دستور متنی، تصویر یا مدل سه‌بعدی تولید می‌کنند.
اما دستیار معرفی‌شده توسط MIT عملکرد متفاوتی دارد.
این سامانه برای تولید تصویر دلخواه یا ساخت یک طرح صرفاً زیبا طراحی نشده است. هدف آن کمک به بهینه‌سازی ساختار مهندسی براساس معیارهای محاسباتی و بازخورد طراح است.
در این فرایند، شکل سازه به محدودیت‌های مکانیکی وابسته است و هر تغییر باید با ادامه محاسبات هماهنگ شود.
بخش یادگیری ماشین نیز قرار نیست جای محاسبات مهندسی را بگیرد؛ بلکه نواحی مناسبی را برای دریافت نظر انسان شناسایی می‌کند.
همین تفاوت اهمیت زیادی دارد.
یک تصویر تولیدشده توسط مدل مولد ممکن است از نظر ظاهری شبیه پل یا سازه‌ای پیچیده باشد، اما ظاهر آن به‌تنهایی هیچ تضمینی درباره تحمل بار و پایداری ارائه نمی‌دهد.
در مقابل، روش بهینه‌سازی سازه بر پایه مسئله فنی مشخصی عمل می‌کند و هدف آن دستیابی به پاسخ مناسب در چارچوب معیارهای تعیین‌شده است.
به همین دلیل، نباید این پژوهش را صرفاً یک ابزار دیگر برای تولید نقشه ساختمانی با دستور متنی دانست.
نقش مهندس در آینده طراحی هوشمند چه خواهد بود؟
یکی از نکات مهم پژوهش MIT، تأکید بر مشارکت انسان در فرایند طراحی است.
در سال‌های اخیر، توسعه ابزارهای خودکار این پرسش را ایجاد کرده که آیا در آینده بسیاری از وظایف طراحی به‌طور کامل به هوش مصنوعی سپرده خواهند شد یا خیر.
اما تجربه مهندسی نشان می‌دهد تصمیم‌گیری درباره سازه‌های واقعی فقط مسئله یافتن یک پاسخ عددی نیست.
مهندس باید شرایط پروژه، محدودیت‌های اجرایی، قابلیت تعمیر، هزینه‌ها، مقررات و خطرهای احتمالی را نیز در نظر بگیرد.
بعضی از این عوامل را می‌توان به‌صورت مستقیم در الگوریتم تعریف کرد، اما بخشی دیگر به تجربه حرفه‌ای و قضاوت انسانی وابسته است.
در روش پیشنهادی MIT، نقش مهندس حذف نمی‌شود؛ بلکه به بخشی فعال از فرایند محاسبات تبدیل می‌شود.
سامانه بخش‌هایی را پیشنهاد می‌کند که نیازمند بررسی هستند و طراح می‌تواند تصمیم بگیرد چه اصلاحی مناسب است.
این همکاری ممکن است باعث شود متخصصان به‌جای صرف وقت زیاد برای اصلاح طرح‌های نهایی، در مراحل اولیه شکل‌گیری سازه تأثیر بیشتری داشته باشند.
البته در صورت استفاده صنعتی، مسئولیت نهایی طراحی، کنترل محاسبات و رعایت مقررات همچنان باید در چارچوب قوانین و استانداردهای مربوط مشخص شود.
محدودیت‌های فعلی پژوهش چیست؟
با وجود نتایج امیدوارکننده، سامانه معرفی‌شده هنوز محدودیت‌های قابل توجهی دارد.
نخست آنکه امکانات اصلاح طرح در نسخه کنونی محدود هستند. کاربر می‌تواند نواحی تعیین‌شده را ضخیم‌تر یا نازک‌تر کند، اما امکان اعمال هر نوع تغییر هندسی وجود ندارد.
دوم آنکه عملکرد سیستم در آزمایش‌های پژوهشی بررسی شده و هنوز شواهد کافی درباره کاربرد گسترده آن در پروژه‌های واقعی ساختمانی منتشر نشده است.
سوم آنکه کیفیت پیشنهادهای مدل یادگیری ماشین به داده‌های آموزشی و نوع مسائل مورد بررسی وابسته است.
اگر طراحی با مسئله‌ای بسیار متفاوت از نمونه‌های آموزشی روبه‌رو شود، ممکن است تشخیص نواحی مناسب برای اصلاح دشوارتر باشد.
همچنین افزایش بار کمانش خطی تنها یکی از معیارهای عملکرد سازه است.
در پروژه واقعی باید مقاومت مصالح، خستگی، دوام، رفتار غیرخطی، کیفیت اتصالات و سایر حالت‌های شکست نیز بررسی شوند.
موضوع دیگر، اعتماد و مسئولیت است. حتی اگر الگوریتم گزینه‌ای با عملکرد محاسباتی بهتر پیشنهاد کند، مهندس باید بتواند دلایل آن را بررسی و مستند کند.
در نهایت، تبدیل یک نمونه پژوهشی به نرم‌افزار مورد استفاده صنعت نیازمند آزمون‌های بیشتر، توسعه رابط کاربری و بررسی سازگاری با فرایندهای حرفه‌ای مهندسی خواهد بود.
پژوهشگران MIT چه برنامه‌ای برای توسعه این فناوری دارند؟
براساس توضیحات منتشرشده، پژوهشگران امیدوارند در نسخه‌های آینده امکان اعمال تغییرات متنوع‌تری را به سامانه اضافه کنند.
در حال حاضر، تغییر ضخامت نواحی مشخص یکی از ابزارهای اصلی تعامل کاربر با طراحی است.
اما در کاربردهای واقعی ممکن است مهندس بخواهد محل اتصال اعضا را تغییر دهد، محدودیت‌های تازه‌ای اضافه کند یا نوع مصالح را در بخشی از سازه اصلاح کند.
فراهم‌کردن چنین قابلیت‌هایی می‌تواند انعطاف سامانه را افزایش دهد، اما پیچیدگی محاسبات و روش‌های کنترل را نیز بیشتر خواهد کرد.
از سوی دیگر، پژوهشگران علاقه‌مندند استفاده از بهینه‌سازی توپولوژی را برای گروه گسترده‌تری از طراحان امکان‌پذیر کنند.
یکی از موانع کنونی، نیاز بعضی روش‌های پیشرفته به منابع محاسباتی زیاد و دانش تخصصی برای تنظیم الگوریتم‌هاست.
اگر بتوان بخشی از پیچیدگی کار را با یک رابط تعاملی کاهش داد، ممکن است استفاده از این روش‌ها در آموزش دانشگاهی و پروژه‌های مهندسی گسترش پیدا کند.
بااین‌حال، هنوز تاریخ مشخصی برای عرضه یک محصول تجاری عمومی براساس این پژوهش اعلام نشده است.
آیا هوش مصنوعی می‌تواند جای نرم‌افزارهای مهندسی را بگیرد؟
نتایج این پژوهش بیش از آنکه نشان‌دهنده کناررفتن نرم‌افزارهای مهندسی باشد، از تغییر شیوه تعامل مهندسان با آن‌ها حکایت دارد.
نرم‌افزارهای تحلیل سازه، مدل‌سازی و طراحی رایانه‌ای همچنان بخش ضروری فعالیت بسیاری از مهندسان هستند.
هوش مصنوعی می‌تواند در برخی مراحل به شناسایی گزینه‌های مناسب، تنظیم پارامترها یا پیشنهاد اصلاحات کمک کند.
اما محاسبات مربوط به مقاومت مصالح، بارگذاری، پایداری و سایر الزامات فنی همچنان باید با روش‌های معتبر بررسی شوند.
ممکن است در آینده نرم‌افزارهای مهندسی امکانات هوشمند بیشتری داشته باشند؛ برای مثال، به‌جای آنکه کاربر پس از هر اجرای ناموفق تمام تنظیمات را دستی تغییر دهد، سامانه بتواند قسمت‌های مسئله‌دار را پیشنهاد کند.
این قابلیت می‌تواند تجربه استفاده از نرم‌افزار را بهبود دهد و فرایند بررسی گزینه‌ها را سریع‌تر کند.
اما هیچ‌کدام از این تغییرات به معنای بی‌نیازشدن از دانش مهندسی و مسئولیت حرفه‌ای نیست.
جمع‌بندی؛ همکاری انسان و هوش مصنوعی به‌جای حذف مهندس
خبر ۱۳ نوامبر ۲۰۲۶ مؤسسه فناوری ماساچوست نشان می‌دهد یکی از مسیرهای مهم توسعه هوش مصنوعی در مهندسی، افزایش همکاری میان انسان و الگوریتم است.
پژوهشگران این دانشگاه سامانه‌ای معرفی کرده‌اند که در حین بهینه‌سازی سازه، نواحی مناسب برای دریافت بازخورد را شناسایی می‌کند و به مهندس اجازه می‌دهد در روند شکل‌گیری طرح دخالت کند.
در آزمایش‌های گزارش‌شده، این روش توانسته بار کمانش خطی را ۳۹ درصد بهبود دهد و تنها حدود ۱۵ ثانیه به زمان طراحی نسبت به روش کاملاً الگوریتمی اضافه کند.
این نتایج از نظر پژوهشی مهم هستند، اما نباید به‌عنوان تضمین افزایش مقاومت تمام سازه‌های واقعی تعبیر شوند.
فناوری هنوز در مرحله تحقیق قرار دارد و امکانات فعلی آن نیز محدود به اصلاحاتی مشخص در نواحی طراحی است.
با وجود این محدودیت‌ها، اهمیت اصلی روش MIT در تغییری است که در رابطه میان طراح و نرم‌افزار ایجاد می‌کند. به‌جای آنکه الگوریتم تمام مسیر را طی کند و در پایان نتیجه‌ای پیچیده در اختیار مهندس بگذارد، امکان گفت‌وگو و اصلاح در طول محاسبات فراهم می‌شود.
اگر این رویکرد در آینده توسعه پیدا کند و در شرایط صنعتی نیز اعتبارسنجی شود، می‌تواند به تولید سازه‌هایی کمک کند که نه‌تنها روی کاغذ و در شبیه‌سازی عملکرد مناسبی دارند، بلکه ساخت، مونتاژ و بررسی آن‌ها در دنیای واقعی نیز ساده‌تر است.
در چنین آینده‌ای، هوش مصنوعی الزاماً جایگزین مهندس نخواهد شد؛ بلکه می‌تواند به ابزاری تبدیل شود که تجربه انسانی را در کنار توان محاسباتی به کار می‌گیرد و راه رسیدن به طرح‌های بهتر را کوتاه‌تر می‌کند.
