Siemens, Simcenter PhysicsAI adını verdiği geometrik derin öğrenme tabanlı yazılımıyla tasarım tahminlerini geleneksel çözücülere kıyasla 1.000 kata kadar daha hızlı üretebildiğini belirtiyor. Ancak şirketin verdiği asıl önemli mesaj hız iddiasından çok kullanım sınırıyla ilgili. Siemens Digital Industries Software tarafında bu işi yöneten Sam Mahalingam, teknolojinin güvenlik kritik uygulamalar için nihai onay aracı olmadığını açık şekilde ifade ediyor.
Buradaki temel fark, PhysicsAI’nin fizik hesaplarını her seferinde sıfırdan çözmemesi. Yazılım, geçmiş simülasyon verilerinden eğitilen bir vekil model kullanıyor ve yeni bir tasarım için sonucu tam çözüm yerine tahmin ediyor. Yani ortaya çıkan çıktı, saniyeler içinde alınan bir kestirim; ayrıntılı ve tam fizik hesabının yerini bire bir alan son doğrulama değil. Bu yaklaşım özellikle çok sayıda tasarım varyasyonunun erken aşamada hızla elenmesini mümkün kılıyor.
Siemens’in anlattığı çerçevede mühendislik akışı da buna göre kuruluyor. PhysicsAI ile önce çok daha fazla tasarım alternatifi taranıyor, ardından umut veren iki ya da üç seçenek belirleniyor. Sonraki adımda bu adaylar, klasik fizik tabanlı simülasyonlarla detaylı biçimde inceleniyor. Tasarım ancak bu tam çözüm aşamasını geçtikten sonra üretime yaklaşabiliyor. Başka bir deyişle, PhysicsAI doğrulamanın yerine geçmiyor; doğrulamadan önce kullanılan bir hızlandırıcı katman işlevi görüyor.
Mahalingam’ın vurguladığı kritik nokta, güvenlik kritik parçalarda bu ayrımın değişmemesi. Şirketin öne çıkardığı Continental airbag örneği gibi dikkat çeken kullanımlar bile nihai imza sürecinin yerine geçmiyor. Bu tür senaryolarda araç, ilk tasarım keşfi için kullanılıyor; yalnızca PhysicsAI çıktısına bakılarak üretim kararı verilmiyor. Son söz yine fizik tabanlı simülasyonun ve ilgili doğrulama sürecinin oluyor.
Doğruluk tarafında Siemens, yeterli veri olduğunda PhysicsAI sonuçlarının fizik tabanlı çözücüye çok yakın olabildiğini aktarıyor. Şirketin paylaştığı örneklerde sapmanın %1 ila %3 seviyesinde olduğu belirtiliyor. Bu, erken tasarım değerlendirmesi için güçlü bir seviye olarak görülebilir. Yine de güvenlik açısından kritik bir bileşende, “çok yakın” olmak ile “sertifikasyon için yeterli” olmak aynı şey değil. Siemens’in çizdiği sınır da tam olarak burada başlıyor.
Teknolojinin ikinci önemli sınırı ise eğitim verisinin kaynağı. Siemens’in öne çıkardığı bazı sonuçlarda, model gerçek dünyadan toplanan ölçümlere değil sentetik verilere dayanıyor. Yani eğitim verisi, Siemens’in kendi simülasyon çözücülerinin ürettiği çıktılardan oluşturuluyor. Bu da şu soruyu beraberinde getiriyor: Eğer AI yalnızca simülasyondan öğreniyorsa, onu eğiten simülasyondan daha iyi olabilir mi?
Siemens’in verdiği yanıt bu konuda temkinli. Örneğin Magna senaryosunda müşterinin Simcenter HEEDS ile geniş bir tasarım taraması yaptığı, varyasyonların ise ağ oluşturma aşamasını atlayarak daha hızlı çalışan Simsolid ile çözüldüğü aktarılıyor. Daha sonra bu simülasyon çıktıları PhysicsAI modelini eğitmek için kullanılıyor. Başlangıçta hiç veri olmayan durumda da önce Simsolid ve HEEDS ile sentetik veri üretiliyor, ardından bu veriyle AI modeli eğitiliyor. Böylece vekil modelin kalitesi, altındaki fizik tabanlı simülasyonun kalitesiyle doğrudan bağlantılı kalıyor.
Bu bağımlılık önemli çünkü PhysicsAI’nin gücü bağımsız bir fizik motoru olmasından değil, daha önce görülmüş örüntüleri çok hızlı genelleştirebilmesinden geliyor. Başka bir ifadeyle araç, çözüm uzayını genişletiyor ama fizik doğruluğunu tek başına yeniden tanımlamıyor. Siemens de bunu gizlemek yerine, mühendislerin araca hangi koşullarda güvenebileceğini daha net tarif etmeyi tercih ediyor.
Şirketin öne çıkardığı bir başka koruma mekanizması da modelin eğitim kapsamı dışına çıktığında tahmin yapmayı reddedebilmesi. Belirli şekil varyasyonları üzerinde eğitilmiş bir vekil model, tamamen farklı bir geometriyle karşılaştığında güvenilir olmayabilir. Siemens, bu durumda sistemin “bunu tahmin edemem” diyebilecek korkuluklarla tasarlandığını söylüyor. Amaç, mühendislerin modelin hiç görmediği bir tasarım alanında yanlış güven duygusuyla karar vermesini önlemek.
Bu yaklaşım, AI tarafında son iki yılda sık görülen “her şeyi yapabilir” söyleminden daha dar ama daha gerçekçi bir konum sunuyor. Siemens burada otonom karar veren bir sistemden çok, insan uzmanlığını destekleyen hızlı bir ilk geçiş aracı tanımlıyor. Özellikle çarpışma yapıları, airbag sistemleri ya da benzer kritik bileşenlerin geliştirildiği alanlarda, insan denetimi ve fizik tabanlı son kontrol adımı yerinde kalıyor.
Sonuç olarak Simcenter PhysicsAI’nin değeri yalnızca 1.000x hız iddiasında değil. Asıl değer, bu hızın nerede işe yaradığı ve nerede durması gerektiğinin açıkça tarif edilmesinde yatıyor. Araç, binlerce tasarım varyasyonunu kısa sürede taramak, iyi adayları öne çıkarmak ve mühendislik sürecini erken aşamada hızlandırmak için güçlü bir seçenek sunuyor. Ancak üretime gidecek, özellikle de güvenlik açısından kritik bir parçanın son onayı söz konusu olduğunda kalem hâlâ fizik tabanlı simülasyonda kalıyor.
